保护物联网网络免受DDoS攻击:一种混合深度学习方法
Noor Ul Ain1, Muhammad Sardaraz1, Muhammad Tahir1
1Department of Computer Science, COMSATS University Islamabad, Attock Campus, Attock 43600, Pakistan.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
本研究介绍了一种混合深度学习模型,用于检测物联网 (IoT) 网络中的分布式拒绝服务 (DDoS) 攻击. 这种新方法显著提高了检测准确度,在CICIOT2023数据集上表现优于现有方法.
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) 正在迅速扩展,导致网络复杂性和脆弱性增加.
- 物联网网络越来越多的互联互通带来了重大安全挑战,特别是分布式拒绝服务 (DDoS) 攻击.
- 有效地检测复杂的DDoS攻击对于保持物联网系统的完整性和可用性至关重要.
研究的目的:
- 应用和评估深度学习技术,以在物联网环境中增强DDoS攻击检测.
- 提出和验证一种新的混合深度学习模型,以改善物联网网络安全,防止DDoS威胁.
- 评估各种深度学习架构在识别复杂攻击模式方面的性能.
主要方法:
- 评估了潜伏自编码器,LSTM自编码器和卷积神经网络 (CNN) 对于DDoS检测的性能.
- 开发了一个混合模型,集成CNN (特征提取),长短期记忆 (LSTM) 网络 (时间模式) 和自动编码器 (维度减少).
- 使用CICIOT2023数据集进行实验评估和性能比较.
主要成果:
- 拟议的混合模型实现了高精度,培训精度为96.78%,验证精度为96.60%.
- 实验结果表明,混合模型在检测DDoS攻击方面明显优于单个深度学习模型.
- 该模型显示了解决现代物联网网络中普遍存在的复杂攻击模式的效率.
结论:
- 开发的混合深度学习模型为物联网网络中DDoS攻击检测提供了强大的解决方案.
- 需要进一步的研究来解决检测罕见攻击类型和数据不平衡问题的局限性.
- 提高DDoS检测能力需要持续关注先进的深度学习技术和全面的数据集.
