面向资源受限场景的物联网防御：攻击检测的比较统计分析

资源约束是物联网智能设备面临的重大网络安全威胁，使其易受包括针对能源和内存的各种攻击。本研究强调由于资源相关事件导致的智能设备安全问题，亟需创新安全措施。本文对在资源约束条件下进行的网络攻击检测算法进行了广泛的统计分析，以识别最有效的算法。我们的研究涉及对各种算法的比较分析，包括来自我们之前工作的算法。我们特别比较了用于检测资源受限网络攻击的轻量级算法与另一种采用 TinyML 进行检测的算法。除了对所提出算法的全面评估外，我们引入了一种用于检测资源受限攻击的新方法。该方法涉及分析协议数据并将最终数据包分类为正常或被攻击的数据。该被攻击数据进一步根据设备的内存和能源消耗进行分析，以确定其为能源攻击、内存攻击或其他形式的恶意活动。我们使用四个评估指标比较所提议算法的性能：准确率、PoD、PoFA 和 PoM。该提议的动态技术动态选择检测攻击效果最好的分类器，以确保即使在资源受限的物联网环境中也能实现最佳性能。结果表明，所提议的算法在 TinyML 和不使用 TinyML 的算法准确率分别达到 99.3% 和 98.2%，检测概率为 99.4% 和 97.3%，误报概率为 1.23% 和 1.64%，漏报概率为 1.64% 和 1.46%。相比之下，新型检测机制在 RF 和 SVM 上的准确率分别超过 99.5% 和 97%。