通过自监督图神经网络增强物联网安全
机器学习
2024-12-19 v1 人工智能
密码学与安全
摘要
随着物联网的迅速兴起，确保物联网设备的安全变得至关重要。该领域的主要挑战之一是，新型攻击的样本数量通常远少于常见攻击，导致数据集不平衡。现有关于在这些不平衡标记数据集中检测入侵的研究主要采用卷积神经网络或传统机器学习模型，这会导致检测不完整，特别是对于新型攻击。为了应对这些挑战，我们提出了一种使用自监督学习（SSL）与马尔可夫图卷积网络进行物联网入侵检测的新方法。图学习擅长对数据内的复杂关系进行建模，而 SSL 缓解了新兴攻击标记数据有限的问题。我们的方法利用物联网网络的固有结构来预训练 GCN，然后针对入侵检测任务进行微调。在 GCN 中集成马尔可夫链可揭示网络结构，并用上下文信息丰富节点和边的特征。实验结果表明，与传统的监督学习方法相比，我们的方法显著提高了检测准确性和鲁棒性。使用 EdgeIIoT-set 数据集，我们达到了 98.68% 的准确率、98.18% 的精确率、98.35% 的召回率和 98.40% 的 F1 分数。
引用
@article{arxiv.2412.13240,
title = {Enhancing Internet of Things Security throughSelf-Supervised Graph Neural Networks},
author = {Safa Ben Atitallah and Maha Driss and Wadii Boulila and Anis Koubaa},
journal= {arXiv preprint arXiv:2412.13240},
year = {2024}
}