基于深度学习的消费物联网中安全音乐流量传输方法

论文标题

中文标题 ：基于深度学习的消费物联网中安全音乐流量传输方法
英文标题：Deep Learning Driven Secure Music Traffic Transmission in Consumer Internet of Things

作者信息

Jiang Jiang, Fenglei Wang, Yao Lyu, Lingling Zhang, Mohammed Amoon

论文出处

本文已被接受发表于《IEEE Transactions on Consumer Electronics》，DOI: 10.1109/TCE.2025.3541599。本文为作者版本，尚未经过完整编辑，内容可能在最终出版前有所变化。

摘要

随着消费物联网（CIoT）的普及，音乐流量传输作为其关键应用之一，面临着数据泄露和隐私侵犯等安全挑战。本文提出了一种基于深度学习的安全音乐流量传输方法。该方法通过双向长短期记忆时空特征融合结构模块（BTSF）实现音乐流量的安全检测，并引入注意力机制构建音乐流量特征增强模块，以解决流量丢失问题。此外，该方法结合了双向长短期记忆（Bi-LSTM）和卷积神经网络（CNN）的级联网络融合，提高了音乐流量的安全检测和识别能力。为了增强数据传输的安全性，本文还提出了一种基于MQTT的新型流量加密传输方案（MQTT-TE），能够有效抵御外部威胁。实验结果表明，BTSF在音乐流量安全检测方面优于其他模型，而MQTT-TE在加密和解密时间上表现更优，为CIoT中的音乐流量传输提供了更稳定和安全的保障。

一、引言

消费物联网（CIoT）作为一种新兴网络形式，已逐渐融入人们的日常生活，带来了前所未有的便利和智能化体验。CIoT通过先进的物联网技术连接各种智能设备，并实现设备间的信息交换与智能协作。随着CIoT技术的成熟和普及，音乐流量传输作为其重要应用，不仅丰富了人们的音乐生活，也面临着日益严峻的安全威胁。音乐流量包含大量敏感信息，如用户隐私数据，因此如何准确识别音乐流量的安全性成为维护CIoT安全的重要问题。深度学习技术的兴起为解决这一问题提供了新思路，其强大的特征提取能力能够有效应对数据传输中的各种挑战，并结合加密技术实现端到端的安全传输。

二、相关工作

深度学习凭借其出色的泛化能力和自学习能力，在流量安全传输领域得到了广泛应用。例如，Robson等人设计了基于快速分层深度卷积神经网络的安全传输检测算法，但检测精度较低。Yin等人提出了基于CNN-Inception结构的模型，用于安全传输异常检测，但存在参数过多和梯度消失问题。Zhou等人通过改进算法解决传统安全检测方法在数据类型检测中的精度不足问题。此外，RNN及其变体（如LSTM）在处理时间序列数据方面表现出色，被广泛应用于安全流量传输问题。近年来，Bi-LSTM、CNN与LSTM的结合等混合模型在流量安全检测中展现出良好的性能。这些研究为本文提出的基于深度学习的安全音乐流量传输方法奠定了基础。

三、基于深度学习的安全音乐流量传输方法

1. BTSF模型

本文提出的BTSF模型结合了CNN、Bi-LSTM和注意力机制，用于CIoT中音乐流量的安全检测。BTSF框架包括三个部分：流量空间特征学习模块、流量特征增强模块和音乐流量安全判别器。

流量空间特征学习模块：该模块利用CNN的卷积层和池化层提取音乐流量的空间特征。通过设置两个卷积层和池化层，模型能够更充分地学习音乐流量的局部特征，同时减少参数数量并增强特征的鲁棒性。
流量特征增强模块：引入注意力机制，为提取的特征分配权重，增强关键特征的重要性，从而提高模型对音乐流量安全检测的效果。
音乐流量安全判别器：该判别器基于Bi-LSTM和CNN的级联网络结构，通过Bi-LSTM学习音乐流量的时间特征，结合CNN进一步提取空间特征，最终通过Softmax分类器完成音乐流量的安全识别与分类任务。

2. 基于公钥的MQTT-TE加密方案

MQTT是CIoT中最常用的通信协议之一，但传统MQTT的安全性存在不足。本文提出的MQTT-TE方案通过引入公钥证书机制，解决了不同厂商设备之间的密钥分发问题，并通过加密会话密钥确保数据传输的安全性。该方案通过多步交互完成客户端和服务器之间的身份验证和会话密钥协商，有效防止了伪装攻击和密钥泄露等安全威胁。

四、实验评估

1. 实验设置

本文使用了UNSW-NB15、NSL-KDD、CICIDS2017和ISCX VPN-nonVPN四个标准流量传输安全检测数据集，评估了所提方法在威胁检测能力方面的表现。实验指标包括准确率、召回率、精确率、F1值和AUC值。此外，还对比了MQTT-TE与其他加密技术（如SSL和SAB-UAS）在加密和解密时间上的性能。

2. 结果与性能分析

加密与解密时间：MQTT-TE的加密时间为60.74ms，解密时间为63.7ms，均优于SSL和SAB-UAS，表现出更高的传输效率。
安全检测性能：BTSF在多个数据集上的表现均优于其他基线模型，如CNN-SoftMax、CNN-LSTM、SATIDS、SPCaps和CBRNN。在CICIDS2017数据集上，BTSF的准确率达到了97.93%，F1值为97.08%，显示出其在融合时空安全特征提取方面的优势。
AUC值：BTSF在AUC指标上接近1，表明其能够准确区分正常流量和异常流量，具有较高的安全检测能力。

五、结论

本文提出了一种基于深度学习的安全音乐流量传输方法，通过构建BTSF模型和MQTT-TE加密机制，有效解决了CIoT中音乐流量传输的安全问题。实验结果表明，BTSF在音乐流量安全检测方面优于其他基线模型，而MQTT-TE在加密和解密效率上表现出色。未来工作将结合更多实际CIoT环境中的流量数据进行模型验证和测试，以进一步提升传输安全性。