协同群和差异演化的混合化与图形卷积网络,用于物联网环境中的分布式拒绝服务检测和缓解
Chukka Ramesh Babu1, M Suneetha2, Mohammed Altaf Ahmed3
1Department of Electrical Communication Engineering, Vignan Institute of Information Technology, Visakhapatnam, India.
Scientific reports
|December 27, 2024
概括
本研究介绍了一种用于检测和减轻物联网 (IoT) 网络中分布式拒绝服务 (DDoS) 攻击的新方法. 拟议的技术在识别恶意活动方面实现了99.62%的准确性,提高了物联网安全性.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 物联网 (IoT) 设备的扩散已经为网络攻击创造了一个脆弱的环境.
- 分布式拒绝服务 (DDoS) 攻击通常使用受损物联网设备发动,对网络可用性和服务交付构成重大威胁.
- 传统的安全措施很难跟上这些复杂的攻击的不断变化的性质.
研究的目的:
- 提出一种先进的技术来检测和减轻DDoS攻击,特别是在物联网环境中.
- 加强物联网网络的安全性和可靠性,以应对复杂的网络威胁.
- 利用深度学习 (DL) 和群体智能来改善对抗行为识别.
主要方法:
- 介绍了一种新的技术,即协同集群优化和差异演变与图形卷积网络网络攻击检测和缓解 (SSODE-GCNDM).
- 输入数据通过使用Z-score缩放进行规范化,以实现一致的处理.
- 使用微分演化 (SSO-DE) 方法的协同群集优化进行特征选择,然后使用图形卷积网络 (GCN) 进行攻击识别和缓解.
- 对GCN的超参数调整使用北方鱼优化 (NGO) 方法进行了优化.
主要成果:
- SSODE-GCNDM技术在识别物联网平台内的DDoS攻击行为方面表现出卓越的性能.
- 实验验证显示精度高达99.62%,明显超过现有方法.
- 该方法有效地识别和缓解网络攻击,确保网络完整性.
结论:
- 拟议的SSODE-GCNDM技术为物联网网络中DDoS攻击的检测和缓解提供了强大的和高度准确的解决方案.
- 集群智能优化与GCN的整合为快速扩展的物联网生态系统中增强网络安全提供了有效的框架.
- 这项研究在保护物联网环境免受普遍和有害的网络威胁方面取得了重大进展.
