在NodeMCU上使用混合深度学习模型实时检测Wi-Fi攻击
Mohamed Hussien Moharam1, Kareem Ashraf2, Hussien Alaa2
1Department of Electronics and Communications Engineering, Misr University for Science and Technology, P.O. Box 23546, Sixth of October, Giza, Egypt. Mohamed.moharem@must.edu.eg.
Scientific reports
|September 15, 2025
概括
本研究介绍了使用NodeMCU的物联网实时Wi-Fi取消身份验证攻击检测系统. 混合型GRU-LR模型实现了96%的准确性,提供了一个实用,可解释的入侵检测解决方案.
科学领域:
- 网络安全 网络安全
- 无线网络无线网络.
- 机器学习 机器学习
背景情况:
- 无线网络脱身份攻击对网络安全构成重大威胁,特别是在物联网环境中.
- 现有的入侵检测系统通常依赖于基于云的处理或不可解释的模型,限制了它们在低功耗环境中的适用性.
研究的目的:
- 开发一个实时,轻量级的系统来检测使用嵌入式微控制器的Wi-Fi解除身份验证攻击.
- 整合混合时代深度学习模型与可解释的分类来增强威胁检测.
主要方法:
- 使用NodeMCU ESP8266进行Wi-Fi实时数据包嗅探和特征提取 (RSSI,DA,数据包计数,SNR).
- 实施和比较混合模型:长短期记忆 (LSTM) -逻辑回归 (LR),门反复单元 (GRU) -LR,和反复神经网络 (RNN) -LR.
- 在多种网络条件下对超过5,600个标记样本的数据集进行训练和验证模型.
主要成果:
- 混合型GRU-LR实现了96%的最高检测精度.
- 该系统在识别少数群体类威胁方面表现出卓越的性能.
- 在OLED屏幕上实现了Wi-Fi流量和关键指标的实时监控.
结论:
- 拟议的框架通过将可解释的人工智能与具有成本效益的嵌入式传感相结合,提供了一种实用且透明的入侵检测方法.
- 该系统解决了入侵检测研究中的差距,为各种物联网和无线安全环境提供了易于适应的解决方案.