提高物联网网络安全:揭示自我监督学习对抗DDoS攻击的力量
Josue Genaro Almaraz-Rivera1, Jose Antonio Cantoral-Ceballos1, Juan Felipe Botero2
1Tecnologico de Monterrey, School of Engineering and Sciences, Monterrey 64849, Nuevo Leon, Mexico.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
在物联网 (IoT) 网络中用于入侵检测系统 (IDS) 的自主监督学习是有前途的. 这种方法实现了比监督学习更高的准确性和F1分数,用于检测分布式拒绝服务攻击.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 网络安全 网络安全
背景情况:
- 物联网 (IoT) 正在迅速扩展,创造了一个庞大的攻击面,易受数据盗窃和拒绝服务攻击的影响.
- 现有的安全措施经常与物联网网络的规模和复杂性作斗争,需要先进的检测方法.
- 对于入侵检测系统 (IDS) 的手动数据标签是资源密集型的,并限制了可扩展性.
研究的目的:
- 引入基于网络的入侵检测系统 (IDS),专门为物联网 (IoT) 网络设计.
- 评估自我监督学习与监督学习的有效性,以检测物联网环境中的分布式拒绝服务 (DDoS) 攻击.
- 提出一个最佳的培训框架,以使用视觉表示来进行网络安全的对比学习.
主要方法:
- 使用Bot-IoT和LATAM-DDoS-IoT数据集,从流量级流量数据中生成合成图像.
- 通过监督和自我监督的学习模式进行实验.
- 进行广泛的剥离研究,以确定视觉表示学习的最佳培训策略.
主要成果:
- 自主监督学习在特定的分类任务中表现优于监督学习.
- 使用自主监督学习检测攻击的F1分数比监督学习高4.83%.
- 通过自我监督学习,多类协议分类准确度提高了14.61%.
- 自主监督学习的可转移性在精度上超过了5%的监督学习,在某些情况下在F1得分上几乎超过了1%.
结论:
- 自主监督学习为物联网安全的传统监督方法提供了强大而有效的替代方案.
- 拟议的IDS有效地保护物联网网络免受分布式拒绝服务攻击.
- 通过对比方法进行视觉表示学习,为未来的网络安全研究提供了一个有希望的方向.
