（一）成果简介

本项目成果依托于“多维智能感知与控制江西省重点实验室”，在国家自然科学基金以及江西省自然科学基金支持下，对物联网、CPS、移动互联网等入侵检测技术进行了深入研究，取得了一系列原创性成果。

技术优势：1. 模型参数少，训练时间短，能够部署于资源受限设备；2. 对已知攻击检测准确率高，漏检率低；3. 对未知攻击具有较好的检测效果；4. 模型泛化能力强。

技术创新点:

1. 将深度神经网络(DNN)和双向长短期记忆网络(BiLSTM)相结合，该模型能够对复杂网络信息进行非线性和双向的长距离特征提取，这种能力使系统能够捕捉与网络攻击相关的复杂模式和行为，从而提高检测性能。

2. 设计一种元图神经网络(Metagraphneuralnetwork，MGNN)，MGNN能够对样本数据特征内部隐藏的图结构关系进行挖掘与利用，在应对入侵检测问题时优势明显。

3. 提出了一种基于知识提取的物联网入侵检测模型BT－TPF，该模型能够在计算资源有限的物联网环境中检测物联网设备遇到的网络攻击。

技术成熟度：正在研发

知识产权情况：专利号：ZL202011264132.7、ZL202011625202.7、ZL202110280565.X、ZL202011264133.1、ZL202010117309.4。

（二）应用情况

目前有三项发明专利进行了转让。一种入侵检测方法、系统、设备及可读存储介质，专利号：ZL202011264133.1，已转让至京创联合（北京）知识产权服务有限责任公司。一种基于Taylor神经网络的入侵检测方法及系统，专利号：ZL202110280565.X；以及一种入侵检测方法、系统、设备及可读存储介质，专利号：ZL202011625202.7，两项发明专利转让至江西省海博信息科技有限公司。

（三）市场化前景

本项目提出的检测模型和检测算法具有适用范围广、检测性能强、能够识别各类已知/未知攻击等优点，在各类入侵检测数据集上均取得了良好效果，尤其是针对物联网、CPS系统提出的轻量级入侵检测模型，更是具有参数少、模型优、占用资源低、检测效果佳等优势，能够有效应对物联网/CPS领域的各类安全攻击，具有广泛的应用前景。