通过使用SMOTE-ENNN进行有效的功能选择,提高SDIoT中的DDoS检测
Arati Behera1, Kshira Sagar Sahoo1,2, Tapas Kumara Mishra1
1Department of Computer Science and Engineering, SRM University, Amaravati, Andhra Pradesh, India.
PloS one
|October 17, 2024
概括
本研究介绍了一种用于检测物联网 (IoT) 中分布式拒绝服务 (DDoS) 攻击的新方法. 改进的特征选择技术在识别软件定义物联网 (SDIoT) 生态系统中的威胁方面实现了高准确性.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 物联网 (IoT) 的物联网 (IoT) 的物联网.
背景情况:
- 物联网 (IoT) 能够实现设备连接,但也引入了分布式拒绝服务 (DDoS) 威胁.
- 软件定义物联网 (SDIoT) 提供了增强的安全性,但面临着诸如有限的资源和协议异质性等挑战.
- 在SDIoT环境中,急需高效且低成本的DDoS攻击分类器.
研究的目的:
- 开发一种改进的功能选择 (FS) 技术,用于在物联网中增强DDoS攻击检测.
- 为了减少培训时间,提高软件定义物联网 (SDIoT) 中DDoS攻击的检测率.
- 为了解决DDoS检测数据集中的数据不平衡和多对线性问题.
主要方法:
- 数据不平衡是使用编辑近邻基于合成少数群体过量抽样 (SMOTE-ENN) 来解决的.
- 提出了一种新的FS方法,SFMI,它结合了顺序特征选择 (SFE) 和相互信息 (MI).
- 主要组件分析 (PCA) 用于处理多线性,然后使用随机森林 (RF) 进行分类.
主要成果:
- 拟议的SMOTE-ENN+SFMI+PCA方法与射频分类器实现了99.97%的准确性.
- 该方法仅使用10个选定的特征,证明了99.39%的精度.
- 在KDDCup99和CIC IoT-2023基准数据集上验证了实验.
结论:
- 综合方法有效地提高了物联网网络中DDoS检测的准确性和效率.
- 拟议的特征选择方法显著减少了高性能分类所需的特征数量.
- 这项研究提供了一个具有成本效益的解决方案,以保护不断增长的SDIoT生态系统免受复杂的网络威胁.
