Estrutura de Engenharia de Características e Machine Learning para Detecção de Ataques DDoS na Internet das Coisas Padronizada

Ao longo da última década, houve um grande aumento no número de dispositivos e redes de Internet das Coisas (IoT), frequentemente caracterizados por restrições de recursos em energia, memória, comunicação e poder computacional e, portanto, a integração de mecanismos de segurança nessas redes é frequentemente negligenciada. À medida que os ataques aumentam, torna-se essencial proteger as redes com sistemas de detecção de intrusão (IDS) baseados em machine learning (ML) por sua maior acurácia e redução de falsos alarmes. No entanto, esses sistemas dependem fortemente de dados e características ideais para extrapolação e detecção de ataques. Os conjuntos de dados de referência existentes estão obsoletos e carecem de dados de tráfego compatíveis com IoT e, portanto, para abordar essa questão, exploramos um novo conjunto de dados, o cross layer intrusion detection data set for IoT (IoT-CIDDS), com 21 características e um único atributo de rotulagem. Neste estudo, propomos uma estrutura de engenharia de características e ML para detectar ataques de Negação de Serviço Distribuída (DDoS) no conjunto de dados IoT-CIDDS. A estrutura consiste em duas fases. Na primeira fase, desenvolvemos algoritmos para enriquecimento do conjunto de dados e enfatizamos a engenharia de características avançada para analisar estatisticamente o conjunto de dados com distribuição de probabilidade e correlação entre características. Na segunda fase, propomos um modelo de ML e realizamos a análise de complexidade do conjunto de dados processado por engenharia de características com cinco técnicas de ML, criando conjuntos de dados de treinamento, validação e teste a partir do IoT-CIDDS. Os modelos de ML são avaliados em termos de acurácia, precisão, revocação, área sob a curva, taxa de falsos positivos e tempo computacional para treinamento dos classificadores. Os resultados experimentais mostram que a redução substancial de características otimiza o desempenho do IDS baseado em ML para detectar ataques DDoS em redes IoT padronizadas que empregam a pilha 6LoWPAN.