Ein auf Deep Learning basierendes Intrusion Detection System für MQTT-fähige IoT-Geräte

Eine große Anzahl von Smart-Geräten in Internet of Things (IoT)-Umgebungen kommuniziert über verschiedene Messaging-Protokolle. Message Queuing Telemetry Transport (MQTT) ist ein weit verbreitetes Publish-Subscribe-basiertes Protokoll für die Kommunikation von Sensor- oder Ereignisdaten. Die Publish-Subscribe-Strategie macht es für Eindringlinge attraktiver und erhöht somit die Anzahl möglicher Angriffe über MQTT. In diesem Papier schlagen wir ein Deep Neural Network (DNN) zur Intrusion Detection im MQTT-basierten Protokoll vor und vergleichen die Leistung auch mit anderen traditionellen Machine Learning (ML)-Algorithmen, wie Naive Bayes (NB), Random Forest (RF), k-Nearest Neighbour (kNN), Decision Tree (DT), Long Short-Term Memory (LSTM) und Gated Recurrent Units (GRUs). Die Leistung wird anhand von zwei verschiedenen öffentlich verfügbaren Datensätzen nachgewiesen, darunter (1) MQTT-IoT-IDS2020 und (2) ein Datensatz mit drei verschiedenen Arten von Angriffen, wie Man in the Middle (MitM), Eindringen in das Netzwerk und Denial of Services (DoS). Der MQTT-IoT-IDS2020 enthält drei Merkmale auf abstrakter Ebene, darunter Uni-Flow, Bi-Flow und Packet-Flow. Die Ergebnisse für den ersten Datensatz und die binäre Klassifikation zeigen, dass das auf DNN basierende Modell 99,92 %, 99,75 % und 94,94 % Genauigkeiten für Uni-Flow, Bi-Flow und Packet-Flow erreichte. Im Falle der Multi-Label-Klassifikation reduzierten sich diese Genauigkeiten jedoch auf 97,08 %, 98,12 % und 90,79 %. Anderseits erzielt das vorgeschlagene DNN-Modell die höchste Genauigkeit von 97,13 % im Vergleich zu LSTM und GRUs für den zweiten Datensatz.