利用功能修剪与最佳的基于深度学习的DDoS网络攻击检测在物联网环境上的功能修剪
Eunmok Yang1, Sooyong Jeong2,3, Changho Seo4,5
1Department of Financial Information Security, Kookmin University, Seoul, 02707, South Korea.
Scientific reports
|May 20, 2025
概括
本研究介绍了一种人工智能驱动的方法,用于检测物联网 (IoT) 网络中的分布式拒绝服务 (DDoS) 攻击. 这种新的技术实现了99.80%的准确性,超过了现有的物联网网络安全增强方法.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 物联网的物联网,就是物联网.
背景情况:
- 物联网 (IoT) 设备的扩散需要强大的网络安全解决方案.
- 分布式拒绝服务 (DDoS) 攻击对物联网网络和城市系统构成重大威胁.
- 传统的机器学习与现实世界物联网流量的复杂性作斗争,以有效地检测DDoS.
研究的目的:
- 提出一种基于人工智能 (AI) 的先进技术,用于检测基于物联网的DDoS威胁.
- 在物联网环境中提高DDoS攻击检测的准确性和效率.
- 解决经典机器学习在识别复杂网络威胁方面的局限性.
主要方法:
- 用最佳的基于深度学习的DDoS攻击检测 (FPODL-DDoSAD) 技术进行特征修剪.
- 数据缩放使用min-max标量和特征选择通过改进的鱼优化算法 (IPOA).
- 使用Sparse Denoising Autoencoder (SDAE) 来识别DDoS攻击,并通过Fish Migration Optimizer (FMO) 进行优化.
主要成果:
- FPODL-DDoSAD技术在BoT-IoT数据集上表现出卓越的性能.
- 在检测基于物联网的DDoS攻击方面实现了99.80%的特殊准确性.
- 在比较分析中超越了现有的DDoS检测方法.
结论:
- 拟议的FPODL-DDoSAD技术为物联网网络安全提供了一个高度有效的解决方案.
- 基于AI的方法,特别是优化深度学习,在DDoS检测方面优于经典的ML.
- 该研究强调了先进的人工智能的潜力,以确保快速扩展的物联网生态系统.
