Maschinelles Lernen-basierte IoT-Botnet-Angriffsdetektion mit sequenzieller Architektur

Mit der schnellen Entwicklung und Popularisierung von Internet-of-Things (IoT)-Geräten zielt eine zunehmende Anzahl von Cyberangriffen auf solche Geräte ab. Es wurde gesagt, dass die meisten Angriffe in IoT-Umgebungen botnetzbasiert sind. Viele Sicherheitsanfälligkeiten bestehen weiterhin bei IoT-Geräten, da die meisten von ihnen nicht über genügend Speicher und Rechenressourcen für robuste Sicherheitsmechanismen verfügen. Darüber hinaus können viele bestehende regelbasierte Erkennungssysteme von Angreifern umgangen werden. In dieser Studie schlagen wir ein auf maschinellem Lernen (ML) basierendes Botnet-Angriffsdetektionsframework mit sequenzieller Detektionsarchitektur vor. Ein effizienter Merkmalsauswahlansatz wird angenommen, um ein leichtgewichtiges Erkennungssystem mit hoher Leistungsfähigkeit zu implementieren. Die gesamte Erkennungsleistung erreicht etwa 99 % bei der Botnet-Angriffsdetektion mit drei verschiedenen ML-Algorithmen, einschließlich künstlichem neuronalen Netzwerk (ANN), J48-Entscheidungsbaum und Naïve Bayes. Das Experiment zeigt, dass die vorgeschlagene Architektur Botnetzbasierten Angriffe effektiv erkennen kann und auch mit entsprechenden Unter-Engines für neue Arten von Angriffen erweitert werden kann.