通过自动网络流量分析增强物联网安全：从机器学习到深度学习的过渡
密码学与安全
2023-12-04 v1 人工智能
网络与互联网体系结构
摘要
本工作提供比较分析，阐明深度学习（DL）如何在物联网（IoT）内任务（如攻击分类与设备类型识别）上超越机器学习（ML）。我们的方法涉及使用一系列多样化IoT相关数据集训练并评估DL模型，从而深入洞察这些模型在面对各类IoT配置时的适应性与实用性。我们最初通过将数据包数据处理，将存储在PCAP文件中的IoT网络非结构化网络流量数据转换为图像。该转换过程使数据适配DL分类方法标准。实验展示了DL超越依赖人工设计特征局限的能力，在攻击检测中取得更优结果，并在设备类型识别中保持相当表现。此外，实验中特征提取时间差异显著：传统方法每数据包约需29毫秒，而DL仅用2.9毫秒完成同等任务。显著的时间差距、DL的优越性能以及人工设计特征的已知局限，向IoT领域发出迫切行动号召。这促使我们从为每个数据集探索新IoT特征，转向应对将DL集成至IoT的挑战，使其成为现实IoT场景中的更高效方案。
引用
@article{arxiv.2312.00034,
title = {Enhancing IoT Security via Automatic Network Traffic Analysis: The Transition from Machine Learning to Deep Learning},
author = {Mounia Hamidouche and Eugeny Popko and Bassem Ouni},
journal= {arXiv preprint arXiv:2312.00034},
year = {2023}
}