在异质物联网环境中加强网络DDOS攻击检测,采用联合的XAI学习方法
Ahmad Almadhor1, Ali Altalbe2,3, Imen Bouazzi4,5
1Department of Computer Engineering and Networks, College of Computer and Information Sciences, Jouf University, Sakaka, 72388, Saudi Arabia. aaalmadhor@ju.edu.sa.
Scientific reports
|October 16, 2024
概括
本研究介绍了一种使用可解释的人工智能 (XAI) 和联合深度神经网络 (FDNNs) 的新方法,以打击物联网 (IoT) 中的分布式拒绝服务 (DDoS) 攻击. 该方法确保了隐私和可扩展性,在检测这些网络威胁方面实现了高精度.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 物联网 (IoT) 设备的扩散增加了对分布式拒绝服务 (DDoS) 攻击的脆弱性.
- 现有的集中安全系统在物联网环境中与隐私和可扩展性问题作斗争.
- 对于物联网网络安全来说,需要强大的,保护隐私的,可扩展的解决方案.
研究的目的:
- 提出和评估一种用于检测和防止物联网网络中DDoS攻击的新方法.
- 利用可解释的人工智能 (XAI) 和联邦深度神经网络 (FDNNs) 来加强威胁检测.
- 为解决物联网隐私和可扩展性的传统安全系统的局限性.
主要方法:
- 联邦深度神经网络 (FDNNs) 的实施,用于对分布式数据的隐私保护培训.
- 整合XGBoost与夏普利增量解释 (SHAP) 进行特征选择和模型可解释性.
- 从客户端设备使用多种DDoS攻击数据集在多轮训练FDNN模型.
主要成果:
- 拟议的解决方案证明了在物联网中检测DDoS攻击的高强度,隐私保护和可扩展性.
- 在检测DDoS攻击方面取得了惊人的99.78%的准确性.
- 报告的准确率为99.80%,回忆率为99.74%,F1得分为99.76%.
结论:
- 基于联邦学习 (FL) 的入侵检测系统 (IDS) 有效应对物联网网络安全挑战.
- 开发的XAI和FDNN方法为保护现代网络基础设施提供了一个有希望的解决方案.
- 这种方法提供了一个可扩展和隐私意识的框架,用于减轻物联网生态系统中不断变化的网络威胁.
