使用 ResNet 检测 IoT DoS 和 DDoS 攻击
本文提出了一种使用卷积神经网络(CNNs)解决物联网设备入侵攻击的新方法,将传感器数据编码为卷积操作,以便 CNNs 检测攻击,并在 ResNet 和 EfficientNet 上进行评估,并与 LSTM 基线比较,结果表明该方法可以显著提高 true positive 和 false positive rate。
Nov, 2022
本研究提出了一种基于深度学习的新型分布式拒绝服务攻击检测方法,利用新不伦瑞克大学 DDoS 评估数据集中的实时 DDoS 攻击数据来构建一个更广泛和更适用于现实世界的模型。该模型通过提取数据流并将其归一化到一个固定长度,然后通过自定义架构进行二进制分类,利用卷积神经网络和常见的深度学习算法实现分类和减轻 DDoS 流量的技术。结果表明,该算法在网络流量中检测 DDoS 攻击方面表现出很高的准确性,针对 2000 个未见过的流量达到了 0.9883 的准确率,并且可在任何网络环境中扩展应用。
Sep, 2023
近年来,物联网(IoT)设备的发展和实施加快。为了处理收集和传输到这些设备的大量数据,需要一个超级网络。第五代(5G)技术是一种新的综合无线技术,有可能成为 IoT 的主要推动技术。物联网设备的快速普及可能遇到许多安全限制和问题,因此出现了新的严重安全和隐私风险。攻击者使用物联网设备发起大规模攻击,其中最著名的是分布式拒绝服务(DDoS)攻击。我们在特定设计用于 5G 网络中的物联网设备的数据集上应用了两个深度学习算法 —— 卷积神经网络(CNN)和前馈神经网络(FNN)。我们使用 OMNeT++、INET 和 Simu5G 框架构建了 5G 网络基础设施。数据集包括正常网络流量和 DDoS 攻击。CNN 和 FNN 这两个深度学习算法都表现出了令人印象深刻的准确性水平,均达到了 99%。这些结果凸显了深度学习在增强 5G 网络中物联网设备安全方面的潜力。
Nov, 2023
本文研究了使用机器学习分类算法以保证物联网 (IoT) 不受拒绝服务攻击 (DoS) 的前景。评估了流行数据集 CIDDS-001, UNSW-NB15 和 NSL-KDD 用于分类器的基准测试,并使用 Friedman 和 Nemenyi 测试来分析分类器之间的显着差异。最终提出了建议,以应用程序要求选择最佳分类器。
Feb, 2023
提出了一种创新性的基于深度学习的卷积神经网络和长短期记忆网络的物联网环境入侵检测系统,在 CICIDS2017 数据集上实现了 99.52% 的准确率,具有实时处理能力、可扩展性和低虚警率,成功应用于当今的物联网网络,对自适应学习技术和跨领域适用性等相关领域的发展和性能进行了讨论,为显著提高网络安全性提供了强有力的解决方案。
Jun, 2024
本文针对物联网(IoT)的威胁进行了分析,使用人工神经网络(ANN)来对抗攻击,着重于对 IoT 网络上正常和威胁模式的分类,并使用模拟的 IoT 网络来验证其有效性。实验结果表明,该 ANN 程序能够成功检测到各种 DDoS/DoS 攻击,准确率达 99.4%。
Apr, 2017
通过利用深度残差神经网络(ResNets)和合成过采样技术,我们引入了一种增强的分布式拒绝服务(DDoS)攻击检测方法,用于有效和早期检测此类攻击,并平衡良性和恶意数据点的表示以更好地辨别攻击特征,实验证明我们的方法在真实数据集上达到了 99.98% 的准确度,显著优于传统方法,突显了将先进的数据增强技术与深度学习模型相结合以增强网络安全防御的潜力。
Jan, 2024
提出了一种结合卷积神经网络(CNN)和长短期记忆(LSTM)深度学习模型的入侵检测系统(IDS)模型,用于保护物联网设备免受网络攻击的伤害,通过利用 CNN 的空间特征提取功能进行模式识别和 LSTM 的顺序记忆功能进行复杂时序依赖分析,实现了高精度和高效率的物联网流量检测和分类,验证结果表明该模型对于物联网环境的网络威胁具有很好的防御效果。
May, 2024
为了提高物联网设备的安全性,本研究利用机器学习技术,提出了一种新型数据集,用于收集和分析物联网 CoAP 协议下的拒绝服务攻击网络流量数据,并验证该数据集对多个分类器的有效性。
Jun, 2022