IDMM-IDS: un sistema de detección de intrusiones eficiente y robusto para el IoT basado en el modelo de mezcla de...

Área de la Ciencia:

• Ciberseguridad
• Seguridad de la red
• Internet de las cosas (IoT)

Sus antecedentes:

• La proliferación de dispositivos del Internet de las Cosas (IoT) ha creado importantes vulnerabilidades de seguridad.
• Los sistemas tradicionales de detección de intrusiones (IDS) a menudo no son adecuados para entornos de IoT con recursos limitados debido a las altas demandas computacionales y la poca adaptabilidad.
• Existe una necesidad crítica de un IDS eficiente y robusto adaptado a la seguridad de IoT.

Objetivo del estudio:

• Proponer IDMM-IDS, un sistema de detección de intrusiones eficiente y robusto diseñado específicamente para contextos de Internet de las Cosas (IoT).
• Para abordar los desafíos de la sobrecarga computacional y la adaptabilidad en la detección de intrusiones de IoT.
• Mejorar la detección de amenazas de clase minoritaria en conjuntos de datos desequilibrados.

Principales métodos:

• Utilizó el modelo de mezcla de Dirichlet invertido (IDMM) para modelar el tráfico de red complejo con una sobrecarga computacional mínima.
• Utilizó la inferencia estocástica variacional extendida (ESVI) para una formación eficiente del modelo y la inferencia.
• Integró una nueva técnica de sobremostraje basada en clústeres para manejar los problemas de desequilibrio de clase.

Principales resultados:

• El IDMM-IDS demostró un rendimiento de detección superior en comparación con los métodos existentes en los conjuntos de datos UNSW-NB15, WSN-DS y WUSTL-IIOT-2021.
• El sistema propuesto redujo significativamente los tiempos de formación y de decisión, demostrando su eficacia.
• La detección efectiva de amenazas de clase minoritaria se logró sin introducir ruido en el conjunto de datos.

Conclusiones:

• IDMM-IDS es un sistema de detección de intrusiones altamente eficiente y robusto adecuado para entornos de IoT con recursos limitados.
• La combinación de IDMM y ESVI proporciona un enfoque poderoso para analizar el tráfico de la red IoT.
• La técnica de sobremostración integrada aborda efectivamente el desequilibrio de clase, mejorando las capacidades de detección de amenazas.