在物联网和无线传感器网络设备中检测和预测加密劫持攻击趋势
Kishor Kumar Reddy C1, Vijaya Sindhoori Kaza1, Madana Mohana R2
1Department of Computer Science, Stanley College of Engineering and Technology for Women, Hyderabad, Telangana, India.
PeerJ. Computer science
|December 9, 2024
概括
本研究介绍了一种使用时间序列分析和图形神经网络 (GNN) 来检测无线传感器网络 (WSN) 和物联网 (IoT) 设备中的加密劫持攻击的新方法,以增强网络安全防御.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 加密货币劫持对无线传感器网络 (WSN) 和物联网 (IoT) 设备构成重大威胁,通过利用计算资源进行未经授权的加密货币挖矿.
- 现有的安全措施往往难以主动检测和预测这些攻击的发展趋势.
研究的目的:
- 开发和评估一种用于预测和检测WSN和物联网环境中的加密劫持攻击趋势的创新方法.
- 增强早期检测能力,并提供对新出现的加密劫持模式的预测见解.
主要方法:
- 时间序列分析技术 (如ARIMA) 与图形神经网络 (GNN) 的集成.
- 使用"加密劫持攻击时间序列数据集"进行培训和验证.
- 采用组合方法,将单个模型预测结合起来,以提高稳定性.
主要成果:
- 单个模型实现了高精度,ARIMA在特定指标上达到99.98%,GNN在特定指标上达到99.99%.
- 整体方法的整体准确率为90.97%,显示出增强的预测稳定性和适应性.
- 拟议的方法有效地识别了不同网络条件下的新兴加密劫持趋势.
结论:
- 综合时间序列分析和GNN方法为WSN和物联网中的加密劫持提供了强大而积极的防御机制.
- 虽然整体准确度略低,但它为检测新型攻击模式提供了卓越的适应性.
- 这项研究有助于加强网络安全,防止加密货币劫持的普遍威胁.
