联合学习和基于数据挖掘的尸网络攻击检测框架用于物联网
Kalupahana Liyanage Kushan Sudheera1, Lokuge Lehele Gedara Madhuwantha Priyashan1, Oruthota Arachchige Sanduni Pavithra1
1Department of Electrical and Information Engineering, Faculty of Engineering, University of Ruhuna, Galle 80000, Sri Lanka.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
本研究介绍了FDA,这是一个联合学习框架,用于检测物联网 (IoT) 网络中的多阶段尸网络攻击. 它可以在分布式环境中协同检测不断变化的威胁,从而保护隐私.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 物联网 (IoT) 环境面临着复杂的,多阶段的尸网络攻击.
- 集中式检测方法在分布式物联网网络中与数据异质性,不平衡,可扩展性和隐私问题作斗争.
研究的目的:
- 提出FDA,一个基于学习和数据挖掘的联合框架,用于在物联网网络中进行阶段意识的尸网络攻击检测.
- 为了实现保护隐私,在分布式物联网网络上共同检测不断发展的尸网络攻击模式.
主要方法:
- 美国食品和药物管理局利用网络网关的联合学习和数据挖掘来检测异常.
- 频繁项目集挖掘 (FIM) 将异常流量抽象化为紧的,可解释的模式.
- 轻量级神经网络在本地训练,通过联合学习进行全球模型聚合,避免原始数据共享.
主要成果:
- 在所有网关中,FDA实现了异常检测F1得分超过99%.
- 多阶段尸网络攻击分类F1分数在48-49%之间,与集中式方法相比.
- 该框架在分散和保护隐私的限制下有效运行.
结论:
- 美国食品和药物管理局 (FDA) 为物联网中分布式尸网络攻击阶段检测提供了一种实用且有效的解决方案.
- 该框架增强了对不断变化的威胁的协作学习,同时保护了用户的隐私.
- 美国食品和药物管理局 (FDA) 证明了联合学习在异质物联网生态系统中的强大网络安全的可行性.