相关实验视频
Updated: Jun 3, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
在多层物联网攻击中为机器学习模型提取最佳数量的特性
Badeea Al Sukhni1, Soumya K Manna1, Jugal M Dave2
1School of Engineering, Technology and Design, Canterbury Christ Church University, Canterbury CT1 1QU, UK.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
本研究介绍了一种半自动入侵检测系统 (SAIDS),用于对抗物联网 (IoT) 系统中复杂的多层攻击. 该SAIDS框架有效地识别这些复杂的威胁,准确度超过94%,使用优化的功能.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 物联网 (IoT) 安全 安全 物联网
背景情况:
- 物联网 (IoT) 系统面临来自多层攻击的不断升级的安全风险,导致数据泄露和财务损失.
- 现有的物联网入侵检测方法由于过时的数据集和有限的适应能力,往往缺乏现实世界的适用性.
- 过度依赖全自动化流程可能会阻碍入侵检测模型的可靠性,凸显了人机交互的必要性.
研究的目的:
- 开发一种半自动入侵检测系统 (SAIDS),用于在物联网环境中检测和识别多层攻击.
- 通过集成高效的特征选择,权重,规范化,可视化和人机交互来增强缓解策略.
- 通过专注于适应性,动态方法和现实世界的应用性来解决当前研究的局限性.
主要方法:
- 开发一个SAIDS框架,包括特征选择,特征加权,规范化,可视化和人机交互.
- 从Edge-IIoT数据集中可用的64个显著特征中提取13个显著特征的最佳子集.
- 对用于多层攻击检测的机器学习分类器进行比较分析,重点是K-Nearest Neighbors (KNN) 模型.
主要成果:
- 该SAIDS框架成功地确定了一组最佳的13个关键特征,用于多层攻击的检测和分类.
- 与其他分类器相比,KNN算法在二进制分类任务中表现优越.
- 在检测各种多层攻击方面,KNN模型的平均准确度超过了94%,包括UDP,ICMP,HTTP flood,MITM,TCP SYN,XSS和SQL注入.
结论:
- 拟议的SAIDS框架有效地提高了多层物联网攻击的检测和分类.
- 将人类专业知识与自动化流程相结合,可以提高入侵检测模型的可靠性.
- 优化的功能集和KNN模型为保护物联网系统免受复杂的网络威胁提供了强大的解决方案.
