Ressourcenschonende DDoS-Erkennung im IoT: Nutzung von Feature Engineering von System- und Netzwerknutzungsmetriken

Zusammenfassung Das Internet der Dinge (IoT) ist allgegenwärtig und setzt eine große Anzahl von Geräten der Öffentlichkeit aus, die oft keine Sicherheitsvorkehrungen haben. In der modernen Welt hängen viele alltägliche Prozesse von diesen Geräten ab, und deren Ausfall könnte katastrophale Folgen haben. Es gibt viele auf Deep Packet Inspection (DPI) basierende Intrusion Detection Systeme (IDS). Ihre lineare Berechnungskomplexität, die durch die ereignisgesteuerte Natur bedingt ist, stellt jedoch ein energieaufwendiges Hindernis in ressourcenbeschränkten IoT-Umgebungen dar. In diesem Papier weichen wir vom traditionellen IDS ab und stellen ein neuartiges und leichtgewichtiges Framework vor, das auf einem zeitgesteuerten Algorithmus basiert, um Distributed Denial of Service (DDoS)-Angriffe zu erkennen, indem wir Machine Learning (ML)-Algorithmen nutzen, die auf den neu entwickelten Merkmalen basieren, die Informationen zur System- und Netzwerkauslastung enthalten. Diese Merkmale werden regelmäßig generiert, und es gibt nur zehn davon, was zu einer niedrigen und konstanten algorithmischen Komplexität führt. Außerdem nutzen wir IoT-spezifische Muster, um bösartigen Datenverkehr zu erkennen, da wir argumentieren, dass jeder Denial of Service (DoS)-Angriff einen einzigartigen Fingerabdruck im vorgeschlagenen Merkmalsatz hinterlässt. Wir erstellen einen Datensatz, indem wir einige der am weitesten verbreiteten DoS-Angriffe gegen ein IoT-Gerät durchführen, und zeigen die Wirksamkeit unseres Ansatzes mit hoher Genauigkeit. Die Ergebnisse zeigen, dass eigenständige IoT-Geräte DoS- und damit auch DDoS-Angriffe gegen sie zu geringen Rechenkosten und mit deterministischer Verzögerung erkennen und klassifizieren können.