以软件定义的网络为基础的一对其余策略,用于检测和缓解智能家居物联网设备中的分布式拒绝服务攻击

科学领域:

• 网络安全 网络安全
• 网络工程 网络工程
• 机器学习 机器学习

背景情况:

• 物联网 (IoT) 设备的普及导致网络安全漏洞的显著增加.
• 分布式拒绝服务 (DDoS) 攻击对相互连接的物联网设备的安全性和可用性构成重大威胁.
• 现有的安全措施很难跟上DDoS威胁不断变化的性质和规模.

研究的目的:

• 引入一个改进的入侵和预防检测系统 (IDPS) 框架,命名为SDN-ML-IoT,用于增强DDoS攻击的检测和实时缓解.
• 通过在软件定义网络 (SDN) 环境中利用机器学习 (ML) 来保护智能家庭物联网设备免受DDoS攻击.
• 评估拟议框架与现有方法和算法的有效性.

主要方法:

• 实施一个SDN-ML-IoT框架,将ML算法 (随机森林,物流回归,k-最近邻居,天真海湾) 与一个对其他 (OvR) 策略集成.
• 使用性能指标,包括混矩阵,训练时间,预测时间,准确性和接收器操作特征曲线 (AUC-ROC) 下的区域进行评估.
• 对拟议的SDN-ML-IoT框架与相关工作和其他ML算法进行比较分析.

主要成果:

• SDN-ML-IoT框架,特别是在使用随机森林算法时,与其他ML方法和相关方法相比,表现出更好的性能.
• 在检测和减轻DDoS攻击方面实现了99.99%的特殊准确率.
• 在不到3秒的时间内成功制了DDoS攻击,这表明了实时有效性.

结论:

• 拟议的SDN-ML-IoT框架为在SDN环境中检测和减轻DDoS攻击提供了高度有效的解决方案.
• 该系统的高精度和快速响应时间为物联网设备提供了强大的保护,特别是在智能家居网络中.
• 建议在SDN基础设施中部署SDN-ML-IoT,以保护物联网设备免受复杂的网络流量威胁.