物联网网络中基于机器学习的攻击分类实验分析
密码学与安全
2021-02-01 v1 机器学习
摘要
近年来，物联网(IoT)设备数量及此类设备所生成的数据量均大幅增长。IoT网络中的参与设备因其资源受限特性而可能存在隐患，且这些设备上的安全集成常被忽视。这导致攻击者针对IoT设备的动机增强。随着网络上可行攻击数量的增加，传统入侵检测系统(IDS)越来越难以高效应对这些攻击。本文重点介绍了若干可用于IDS的机器学习(ML)方法，如k近邻(KNN)、支持向量机(SVM)、决策树(DT)、朴素贝叶斯(NB)、随机森林(RF)、人工神经网络(ANN)和逻辑回归(LR)。本工作中，在Bot-IoT数据集上比较了ML算法在二分类和多分类上的表现。基于准确率、精确率、召回率、F1分数和对数损失等若干参数，我们对上述ML算法进行了实验比较。在HTTP分布式拒绝服务(DDoS)攻击情形下，RF的准确率为99%。此外，基于其他仿真结果的精确率、召回率、F1分数和对数损失指标显示，RF在二分类中所有类型攻击上均优于其他算法。然而，在多分类中，KNN以99%的准确率优于其他ML算法，比RF高4%。
引用
@article{arxiv.2101.12270,
title = {An Experimental Analysis of Attack Classification Using Machine Learning in IoT Networks},
author = {Andrew Churcher and Rehmat Ullah and Jawad Ahmad and Sadaqat ur Rehman and Fawad Masood and Mandar Gogate and Fehaid Alqahtani and Boubakr Nour and William J. Buchanan},
journal= {arXiv preprint arXiv:2101.12270},
year = {2021}
}