ISAAF:一个物联网安全和攻击预防框架,使用人工智能驱动的预测分析

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:

• 对物联网连接至关重要的消息队列远程测量传输 (MQTT) 协议易受各种网络威胁的影响.
• 现有的机器学习 (ML) 和深度学习 (DL) 模型很难将入侵检测从模拟到现实世界的物联网流量进行概括.
• MQTTEEB-D数据集从实际运营物联网测试台收集,解决了对现实数据的需求.

研究的目的:

• 引入一种新的,分层的,人工智能驱动的安全框架,用于实时入侵检测和物联网环境中的自动化缓解.
• 与模拟基准相比,评估在真实世界物联网数据上训练的ML/DL模型的性能.
• 在运营物联网场景中证明框架在检测和减轻网络威胁方面的有效性.

主要方法:

• 使用MQTTEEB-D数据集开发一个分层,人工智能驱动的安全框架.
• 在MQTTEEB-D数据集上重新训练决策树 (DT) 和门式循环单元 (GRU) 模型.
• 在现实世界物联网环境中部署和测试框架,以评估检测和缓解能力.

主要成果:

• 在对MQTTEEB-D数据集进行重新训练时,ML/DL模型 (DT,GRU) 的准确性大大提高 (DT:87%,GRU:86.5%),而在对模拟数据进行训练后,对真实数据的初始准确性较低 (8%,21%).
• 拟议的框架在实验场景中展示了有效的攻击检测和缓解,具有近乎实时的响应能力.
• 该框架被证明是可扩展的,可部署的,并且在现实世界物联网应用程序的不同领域有效.

结论:

• 像MQTTEEB-D这样的现实世界数据集对于开发强大的物联网入侵检测系统至关重要.
• 由人工智能驱动的分层安全框架在保护物联网应用程序免受网络威胁方面取得了重大进展.
• 拟议的解决方案为各种现实世界物联网部署提供了实用和有效的安全措施.