用于物联网系统入侵检测的约束孪生变分自编码器
机器学习
2023-12-06 v1 密码学与安全
摘要
入侵检测系统(IDS)在保护数十亿物联网设备免受恶意攻击方面起着关键作用。然而，物联网设备的IDS面临物联网系统固有挑战，包括物联网数据/设备的异构性、训练数据的高维性以及数据不平衡。此外，由于典型物联网设备内存/存储和计算能力有限，IDS在物联网系统上的部署具有挑战性，有时甚至不可能。为应对这些挑战，本文提出一种称为约束孪生变分自编码器(CTVAE)的新型深度神经网络/架构，其能为IDS的分类器提供更具可分性/区分性和更低维的表示数据。此外，与IDS中最先进的神经网络相比，CTVAE需要更少的内存/存储和计算力，因此更适用于物联网IDS系统。使用11个最流行的物联网僵尸网络数据集的广泛实验表明，与最先进的机器学习和表示学习方法相比，CTVAE在检测攻击的准确率和F值上提升约1%，而攻击检测运行时间低于2E-6秒，模型大小低于1 MB。我们还进一步研究了CTVAE在潜空间和重构表示中的各种特性，以证明其与当前知名方法相比的有效性。
引用
@article{arxiv.2312.02490,
title = {Constrained Twin Variational Auto-Encoder for Intrusion Detection in IoT Systems},
author = {Phai Vu Dinh and Quang Uy Nguyen and Dinh Thai Hoang and Diep N. Nguyen and Son Pham Bao and Eryk Dutkiewicz},
journal= {arXiv preprint arXiv:2312.02490},
year = {2023}
}