一个安全的边缘计算模型,使用机器学习和IDS来检测和隔离入侵者
Poornima Mahadevappa1, Raja Kumar Murugesan1, Redhwan Al-Amri2
1School of Computer Science and Engineering, Taylor's University, Malaysia.
MethodsX
|February 21, 2024
概括
本研究介绍了一种使用机器学习的安全边缘计算模型,用于在物联网网络中进行入侵检测和隔离. 该系统准确地识别和隔离威胁,增强边缘网络安全.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 物联网 (IoT) 和边缘计算的快速扩张带来了重大的安全挑战.
- 现有的安全模型在动态边缘环境中难以有效检测和减轻入侵.
研究的目的:
- 为强大的入侵检测和隔离提出一个安全的边缘计算模型.
- 加强边缘网络的安全性,特别是在物联网 (IoT) 应用中.
主要方法:
- 一种混合入侵检测系统 (IDS) 模型,结合了线性差异分析 (LDA) 和后勤回归 (LR).
- 利用机器学习实时分析和识别边缘节点的侵入性活动.
- 实现一个设备和数据隔离机制,而无需提醒邻近节点,以防止入侵者横向移动.
主要成果:
- 拟议的IDS实现了高性能,96.56%的准确性和95.78%的精度.
- 展示了0.04秒的显著快速训练时间.
- 在模拟边缘环境中有效检测和隔离各种类型的网络攻击.
结论:
- 混合型LDA-LR模型为边缘计算中的入侵检测提供了安全有效的解决方案.
- 拟议的系统增强了支持物联网的边缘网络的整体安全状况.
- 隔离机制可以防止入侵者破坏整个边缘网络.
