在下一代Wi-Fi系统中检测WPA3降级攻击的机器学习方法

科学领域:

• 网络安全
• 无线网络安全
• 机器学习应用

背景情况:

• 无线电保护接入3 (WPA3) 对于现代无线电和5G&B无线电接入网络 (RAN) 的安全至关重要.
• 无线通道容易受到降级攻击,迫使WPA3到WPA2的网络利用安全漏洞.
• 传统的入侵检测系统 (IDS) 缺乏适应不断变化的网络环境和复杂的攻击.

研究的目的:

• 开发和评估一种混合适应机器学习方法,用于检测WPA3网络中的降级攻击.
• 加强WPA3网络的安全性,防止攻击者利用降级漏洞.
• 引入一种基于ML的新型特征选择和降级攻击检测门 (MFST-DAD) 方法.

主要方法:

• 一个三阶段的方法:交通数据预处理,适应性特征选择,并使用ML算法实时检测/预防.
• 使用机器学习算法对流量进行分类,选择特征并设置适应值.
• 在自定义数据集上进行实验验证,以评估WPA3个人和企业过渡模式的性能.

主要成果:

• 拟议的MFST-DAD方法在检测降级攻击方面达到99.8%的准确性.
• 在MFST-DAD框架内,一个纯粹的贝叶斯分类器显示出高效率.
• 在WPA3个人和企业过渡模式中确认成功检测.

结论:

• 开发的基于ML的方法可以有效地检测WPA3网络中的降级攻击.
• 对于WPA3安全性,MFST-DAD方法比传统的IDS提供了显著的改进.
• 这项研究证实了自适应式机器学习技术对下一代Wi-Fi系统的可行性.