FLARE：面向 IoT 入侵检测的特征基轻量化聚合技术
密码学与安全
2025-04-23 v1 机器学习
摘要
Internet of Things (IoT) 设备的快速普及已扩大了攻击面，亟需高效的入侵检测系统 (IDS) 以保障网络安全。本文提出 FLARE，一种面向 IoT 入侵检测的特征基轻量化聚合技术，以应对通过特征聚合技术 securing IoT 环境的挑战。FLARE 采用多层次处理方法，集成基于会话、流量和时间的滑动窗口数据聚合，分析网络行为并从 IoT 网络流量数据中捕获关键特征。我们在由实验室实验 setup 生成的 IoT 数据上进行大规模评估，以评估所提出聚合技术的有效性。对于 IoT IDS 中的攻击分类，我们采用四个监督学习模型和两个深度学习模型。我们以准确率、精确率、召回率和 F1 分数等指标验证这些模型的性能。我们的结果表明，将 FLARE 聚合技术作为特征工程的基础步骤，能构建结构化表示并提升复杂端到端模型的性能，是 IoT IDS 管道中的关键步骤。我们的发现表明，FLARE 作为提升端到端 IDS 实现性能并降低计算成本的有价值技术，具有潜力，从而促进更稳健的 IoT 入侵检测系统的发展。
引用
@article{arxiv.2504.15375,
title = {FLARE: Feature-based Lightweight Aggregation for Robust Evaluation of IoT Intrusion Detection},
author = {Bradley Boswell and Seth Barrett and Swarnamugi Rajaganapathy and Gokila Dorai},
journal= {arXiv preprint arXiv:2504.15375},
year = {2025}
}
备注
23 pages, 19 tables, 2 algorithms, 2 figures, submitted to SecureComm25