对物联网和工业物联网的可扩展方法安全:评估自适应自调节内存K-最近邻居为零日攻击检测
Promise Ricardo Agbedanu1,2, Shanchieh Jay Yang3, Richard Musabe4
1African Centre of Excellence for Internet of Things, University of Rwanda, Kigali P.O. Box 4285, Rwanda.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
适应性SAMKNN为物联网 (IoT) 和工业物联网 (IIoT) 提供高效准确的网络安全. 这种方法有效地检测到零日攻击与最小的内存使用,增强系统安全.
科学领域:
- 网络安全 网络安全
- 网络入侵检测 网络入侵检测
- 用于物联网的机器学习
背景情况:
- 物联网 (IoT) 和工业物联网 (IIoT) 带来了重大的网络安全挑战.
- 传统的入侵检测系统 (IDS) 应对零日攻击等新型威胁.
- 互联系统需要高效,可扩展的安全解决方案.
研究的目的:
- 评估适应性SAMKNN在物联网环境中检测网络威胁的有效性.
- 在准确性,内存效率和可扩展性方面评估自适应SAMKNN的性能.
- 确定适应式SAMKNN适用于IIoT安全中的实时异常检测的适用性.
主要方法:
- 实现并测试了Adaptive SAMKNN,这是一个具有自我调整内存 (SAM) 的自适应k-最近邻近算法.
- 在各种数据集上进行了广泛的测试,以评估检测率和性能指标.
- 执行了高达50万个样本的可扩展性测试,以评估资源消耗 (CPU和内存).
主要成果:
- 适应式SAMKNN显示出优越的内存效率 (低至0.05 MB) 和高精度/F1分数.
- 实现了对模拟的零日攻击的1.00检测率.
- 在不断增加的数据量下保持了性能和低资源消耗,在逐渐漂移的场景中表现出色.
结论:
- 适应性SAMKNN是一个可行的,实时,可扩展和内存高效的物联网和IIoT安全解决方案.
- 该方法提供可靠的异常检测,没有显著的计算开销.
- 它有可能增强关键互联系统对复杂的网络威胁的安全性.
