面向 LEO 卫星网络中断攻击检测的深度学习 method
密码学与安全
2023-01-11 v1 机器学习
摘要
网络系统中卫星通信的发展需要强大而有效的安全方案。诸如拒绝服务（DoS）等攻击可通过机器学习技术进行检测，尤其是在正常运营条件下。本工作旨在利用深度学习算法为低地球轨道（\textsf{LEO}）卫星网络提供一种中断检测策略。所提出模型的训练与测试均使用我们自建的通信数据集，该数据集通过利用卫星网络仿真平台 Omnet++ 和 Inet 生成的卫星流量（良性与恶意）创建。我们测试了多种深度学习算法，包括多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、门控循环单元（GRU）和长短期记忆（LSTM）。随后对二分类以及包含不同中断类别（如分布式拒绝服务（DDoS）、网络干扰和气象扰动）的多分类检测率进行了全面分析与研究。在全面网络监控场景下，两类分类的仿真检测率均超过 99.33%。然而，在更真实的场景中，使用结合 MLP 与 GRU 的混合模型，二分类流量检测的最佳记录性能为 96.12%，多分类流量检测为 94.35%，误报率为 3.72%。该深度学习方法的有效性表明有必要使用机器学习方法来提升安全性，并更应关注寻求便于在 LEO 卫星网络中收集数据的解决方案。
引用
@article{arxiv.2301.03998,
title = {Deep learning approach for interruption attacks detection in LEO satellite networks},
author = {Nacereddine Sitouah and Fatiha Merazka and Abdenour Hedjazi},
journal= {arXiv preprint arXiv:2301.03998},
year = {2023}
}
备注
32 pages, 19 figures