ISAAF：AI駆動型予測分析を用いたIoTセキュリティおよび攻撃防止フレームワーク

科学分野:

• サイバーセキュリティ
• 人工知能
• モノのインターネット

背景:

• IoT接続に不可欠なメッセージキューイングテレメトリトランスポート（MQTT）プロトコルは、さまざまなサイバー脅威に対して脆弱です。
• 既存の機械学習（ML）および深層学習（DL）モデルは、シミュレートされたIoTトラフィックから実際のIoTトラフィックへの侵入検知の一般化に苦労しています。
• MQTTEEB-Dデータセットは、実際の運用IoTテストベッドから収集され、現実的なデータの必要性に対処します。

研究 の 目的:

• IoT環境におけるリアルタイム侵入検知および自動緩和のための新しいレイヤードAI駆動型セキュリティフレームワークを導入すること。
• シミュレートされたベンチマークと比較して、実際のIoTデータでトレーニングされたML/DLモデルのパフォーマンスを評価すること。
• 運用中のIoTシナリオにおけるサイバー脅威の検知と緩和におけるフレームワークの有効性を実証すること。

主な方法:

• MQTTEEB-Dデータセットを利用したレイヤードAI駆動型セキュリティフレームワークの開発。
• MQTTEEB-Dデータセットでの決定木（DT）およびゲート付き再帰ユニット（GRU）モデルの再トレーニング。
• 検知および緩和機能の評価のための実際のIoT設定でのフレームワークの展開とテスト。

主要な成果:

• ML/DLモデル（DT、GRU）は、シミュレートされたデータでトレーニングした後、実際のデータでの初期の低い精度（8％、21％）と比較して、MQTTEEB-Dデータセットで再トレーニングされた場合に、大幅に改善された精度（DT：87％、GRU：86.5％）を示しました。
• 提案されたフレームワークは、実験シナリオでほぼリアルタイムの応答性で効率的な攻撃の検知と緩和を実証しました。
• フレームワークは、実際のIoTアプリケーションのさまざまなドメインにわたって、スケーラブルで展開可能で効果的であることが証明されました。

結論:

• MQTTEEB-Dのような実際のデータセットは、堅牢なIoT侵入検知システムを開発するために不可欠です。
• AI駆動型のレイヤードセキュリティフレームワークは、サイバー脅威からIoTアプリケーションを保護する上で大きな進歩を遂げています。
• 提案されたソリューションは、さまざまな実際のIoT展開に対して実用的で効果的なセキュリティ対策を提供します。