IoT 环境中僵尸网络攻击检测：一种优化的机器学习方法
密码学与安全
2020-12-22 v1 机器学习
网络与互联网体系结构
摘要
对互联网的日益依赖以及随之而来的连接需求激增导致物联网（IoT）设备显著增长。IoT 设备的持续部署反过来由于潜在攻击面的增多导致了网络攻击的增加，近期报告表明 IoT 恶意软件攻击从 2017 年的 1030 万次增至 2018 年的 3270 万次，增幅达 215.7%，即为例证。这说明 IoT 设备与网络日益增长的脆弱性与易感性。因此，在此类环境中需要适当有效且高效的攻击检测与缓解技术。机器学习（ML）因 IoT 设备与网络所生成和可用的丰富数据而成为一种潜在解决方案。因此，它们在 IoT 环境入侵检测方面具有被采用的显著潜力。为此，本文提出一种优化的基于 ML 的框架，由贝叶斯优化高斯过程（BO-GP）算法与决策树（DT）分类模型组合而成，以有效且高效地检测 IoT 设备上的攻击。所提框架的性能使用 Bot-IoT-2018 数据集进行评估。实验结果表明，所提优化框架具有高检测准确率、精确率、召回率和 F-score，凸显了其在 IoT 环境中检测僵尸网络攻击的有效性与鲁棒性。
引用
@article{arxiv.2012.11325,
title = {Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach},
author = {MohammadNoor Injadat and Abdallah Moubayed and Abdallah Shami},
journal= {arXiv preprint arXiv:2012.11325},
year = {2020}
}
备注
4 pages, 2 figures, 1 table, Accepted and presented at IEEE 32nd International Conference on Microelectronics (IEEE-ICM2020)