物联网中的跨协议域间隙入侵和异常检测:一个实证的互联网协议到蓝牙低能研究域对抗性训练

科学领域:

• 网络安全 网络安全
• 网络安全 网络安全
• 物联网 (IoT) 的物联网 (IoT) 的物联网.
• 机器学习 机器学习

背景情况:

• 侵入和异常检测系统在异质物联网环境中至关重要.
• 这些系统通常需要在不同的网络协议上运行,例如互联网协议 (IP) 和蓝牙低能耗 (BLE).
• 在目标标签不可用时,探索无监督域调整 (UDA) 进行跨协议转移学习.

研究的目的:

• 用UDA来量化IP到BLE传输中的跨协议域间隙,用于使用入侵检测.
• 将经典和先进的UDA方法与域对抗神经网络 (DANN) 进行比较.
• 提出和评估一个新的域识别检查点规则 (R3),以提高UDA的性能和一致性.

主要方法:

• 利用了14个轻量级窗口级统计数据和泄漏意识的数据分割.
• 根据随机窗口分割的基准标准的经典基线 (CORAL,MMD) 和DANN.
• 提出并验证了R3检查点规则,结合源验证和域区分器准确性.
• 根据更严格的捕获-wise-leave-one-capture-out (LOCO) 协议评估的性能.
• 分析了转移源调节值对运行点和虚假阳性率的影响.

主要成果:

• 在随机分割下,DANNs显示了适度的增长,但遭受了种子敏感性和不一致的域混.
• 拟议的R3检查点规则将目标ROC-AUC提高了大约0.053,并且在种子之间产生了更一致的AP收益.
• 在LOCO协议下,UDA业绩显著下降,往往接近机会水平,揭示了乐观的随机分割的风险.
• 转移源调节值导致不安全的操作点,只有良性捕获的微型FPR为1.0.

结论:

• 虽然UDA显示了跨协议入侵检测的潜力,但其有效性高度依赖于数据分割策略.
• R3检查点规则通过结合域调整指标,为UDA提供了更强大的方法.
• 严格的评估协议 (如LOCO) 是必要的,以避免高估UDA性能,并且需要仔细校准实际部署.