基于特征排序知识库的ODLLM智能IoT攻击检测设计
密码学与安全
2025-03-28 v1 人工智能
网络与互联网体系结构
摘要
Internet of Things (IoT)设备的广泛采用引入了重大的网络安全挑战，尤其是随着分布式拒绝服务(DDoS)攻击频率和复杂性不断提升。传统机器学习(ML)技术在检测此类攻击时常常不足，因为攻击模式日益复杂和演化。为此，我们提出一种新框架，利用增强细调和知识库(KB)集成的嵌入式大型语言模型(ODLLM)用于智能IoT网络攻击检测。通过实施特征排序技术并构建针对模型容量的长短KB，所提出的框架确保了对DDoS攻击的高效准确检测，同时克服了计算和隐私限制。仿真结果表明，优化后的框架在各种攻击类型上均实现了卓越的准确率，尤其在边缘计算环境中使用紧凑模型时效果更佳。本 work为实时IoT安全提供了可扩展且安全的解决方案，推动了边缘智能在网络安全中的应用。
引用
@article{arxiv.2503.21674,
title = {Intelligent IoT Attack Detection Design via ODLLM with Feature Ranking-based Knowledge Base},
author = {Satvik Verma and Qun Wang and E. Wes Bethel},
journal= {arXiv preprint arXiv:2503.21674},
year = {2025}
}