Ein hybrid tiefes Lernverfahren zur Erkennung von Replay- und DDoS-Angriffen in einer Smart City

Die Infrastruktur der heutigen Smart City ist überwiegend abhängig von Technologien des Internet der Dinge (IoT). IoT-Technologie bietet im Wesentlichen eine Plattform zur Automatisierung von Dienstleistungen durch die Verbindung heterogener Objekte über das Internet. Die Sicherheitsprobleme, die mit IoT-Netzwerken verbunden sind, machen die Infrastruktur der Smart City anfällig für Cyberangriffe. Zum Beispiel verletzt ein Distributed Denial of Service (DDoS)-Angriff die Autorisierungsbedingungen in der Infrastruktur der Smart City, während ein Replay-Angriff die Authentifizierungsbedingungen verletzt. Beide Angriffe führen zu physischen Störungen der Infrastruktur der Smart City, die sogar zu finanziellen Verlusten und/oder zum Verlust von Menschenleben führen können. In diesem Papier wird ein hybrides tiefes Lernmodell entwickelt, um Replay- und DDoS-Angriffe auf einer realen Smart City-Plattform zu erkennen. Die Leistung des vorgeschlagenen hybriden Modells wird mithilfe realer Smart City-Daten (Umwelt, smarter Fluss und smarter Boden) bewertet, bei denen DDoS- und Replay-Angriffe simuliert wurden. Das vorgeschlagene Modell berichtete von hohen Genauigkeitsraten: 98,37 % für das Umweltdataset, 98,13 % für das Dataset des smarten Flusses und 99,51 % für das Dataset des smarten Bodens. Die Ergebnisse zeigten eine verbesserte Leistung des vorgeschlagenen Modells gegenüber anderen Modellen des maschinellen Lernens und tiefen Lernens aus der Literatur.