A Hybrid Machine-Learning Based Security Algorithm for Improved Detection of Distributed-Denial-of-Services Attacks in Internet of Things Networks
Dieses Paper schlägt ein hybrides, auf maschinellem Lernen basierendes Sicherheitsframework (MLBS) vor, das K-Nearest Neighbors (KNN) und rekursive neuronale Netze (RNN) integriert, um eine überlegene Genauigkeit und Robustheit bei der Erkennung von Distributed-Denial-of-Service (DDoS)-Angriffen in Internet-of-Things (IoT)-Netzwerken zu erreichen, wobei es konventionelle Modelle mit einer Erkennungsrate von 98,72 % übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die moderne Welt wird zunehmend durch Milliarden kleiner, intelligenter Geräte miteinander verwoben, von Thermostaten, die unsere Gewohnheiten erlernen, bis hin zu Sensoren, die Ernten auf fernen Feldern überwachen. Dieses riesige Netzwerk, bekannt als das Internet der Dinge, ermöglicht es diesen Gadgets, miteinander und mit der Cloud zu kommunizieren, wodurch Systeme entstehen, die effizienter und reaktionsschneller sind als je zuvor. Diese ständige Konnektivität bringt jedoch eine erhebliche Schwachstelle mit sich. Da diese Geräte oft einfach und zahlreich sind, können sie von Angreifern gekapert werden, um massive, koordinierte Armeen zu bilden. Diese digitalen Armeen führen sogenannte Distributed-Denial-of-Service-Angriffe aus, eine Methode, bei der überwältigende Verkehrsfluten an ein Ziel gesendet werden, die dessen Leitungen verstopfen und es vollständig lahmlegen. Da diese Netzwerke wachsen, wird die Notwendigkeit einer Möglichkeit, diese Fluten in Echtzeit zu erkennen und zu stoppen, kritisch, da die Geräte selbst oft nicht über die Kraft verfügen, sich gegen solch komplexe Bedrohungen zu verteidigen.
Um dieser wachsenden Gefahr zu begegnen, hat ein Forscherteam der Tshwane University of Technology und der University of Johannesburg ein neues Sicherheitssystem entwickelt, das speziell für diese intelligenten Netzwerke konzipiert wurde. Ihr Ansatz weicht von der Abhängigkeit von einer einzelnen Methode zur Entdeckung von Eindringlingen ab. Stattdessen haben sie ein Hybridsystem gebaut, das zwei unterschiedliche Denkweisen über Daten kombiniert. Der erste Teil ihres Systems agiert wie ein Bibliothekar, der ein Buch sofort erkennt, indem er es mit Millionen anderen im Regal vergleicht und nach exakten Übereinstimmungen mit bekannten Unruhestiftern sucht. Der zweite Teil agiert wie ein Historiker, der den Fluss der Ereignisse im Zeitverlauf studiert und den Rhythmus normaler Aktivitäten lernt, um erkennen zu können, wenn das Muster plötzlich bricht. Durch die Verwebung dieser beiden Perspektiven schufen die Forscher ein Werkzeug, das sowohl bekannte Angriffe als auch seltsame, neue Angriffe, die zuvor noch nie gesehen wurden, identifizieren kann.
Die Forscher testeten ihre Kreation unter Verwendung einer großen Sammlung realer Netzwerkdaten, die sowohl normalen Verkehr als auch verschiedene Arten von Cyberangriffen enthielten. Sie ließen ihr System durch eine Reihe strenger Simulationen laufen, bei denen es älteren, Standardmethoden gegenübergestellt wurde, die derzeit zum Schutz von Netzwerken eingesetzt werden. Die Ergebnisse zeigten einen klaren Vorteil für ihren neuen Ansatz. Während die älteren Methoden Schwierigkeiten hatten, mit der Geschwindigkeit und Komplexität des Verkehrs Schritt zu halten, und dabei oft Angriffe übersahen oder Fehlalarme auslösten, behielt das neue System ein hohes Maß an Genauigkeit bei. In diesen Simulationen identifizierte es die Angriffe fast zu 99 Prozent korrekt. Es erwies sich auch als sehr gut darin, harmlosen Verkehr zu ignorieren, um sicherzustellen, dass das System keine Zeit damit verschwendet, Schatten zu jagen. Die Fähigkeit, fast jeden Angriff zu erfassen und dabei selten Fehler zu machen, deutet darauf hin, dass dieser kombinierte Ansatz weitaus zuverlässiger ist als die Verwendung nur einer einzigen Technik.
Was diese Arbeit besonders bedeutsam macht, ist die Art und Weise, wie sie mit der chaotischen Realität des Internets der Dinge umgeht. In einem echten Netzwerk sind Daten oft verrauscht, unvollständig oder unausgewogen, wobei einige Arten von Angriffen viel häufiger auftreten als andere. Viele bestehende Sicherheitstools versagen unter diesen Bedingungen, da sie verwirrt oder langsam werden. Das neue System hingegen zeigte eine starke Fähigkeit, sich an diese schwierigen Bedingungen anzupassen. Es blieb effektiv, selbst wenn die Daten unvollkommen waren oder wenn es auf Angriffsmuster stieß, die es noch nie zuvor gesehen hatte. Diese Robustheit ist für den realen Einsatz unerlässlich, wo Sicherheitssysteme kontinuierlich ohne ständige menschliche Intervention arbeiten müssen. Die Forscher fanden heraus, dass sie durch die Kombination der sofortigen Erkennung einer Methode mit dem zeitbewussten Lernen der anderen ein Verteidigungssystem geschaffen haben, das sowohl scharf als auch flexibel ist.
Die Studie kommt zu dem Schluss, dass diese Hybridmethode einen vielversprechenden Weg nach vorn zur Sicherung der expandierenden Welt der vernetzten Geräte bietet. Obwohl die Ergebnisse derzeit auf Computersimulationen und nicht auf einem Live-Einsatz in einem physischen Netzwerk basieren, sind die Leistungsmetriken überzeugend. Das System erreichte eine Genauigkeitsrate von 98,72 Prozent, mit einer Präzision von 97,95 Prozent und einem Recall von 98,94 Prozent, was bedeutet, dass es die überwiegende Mehrheit der Bedrohungen erfolgreich identifizierte und gleichzeitig Fehlalarme auf ein Minimum reduzierte. Die Forscher räumen ein, dass weitere Arbeit erforderlich ist, um das System in Live-Umgebungen zu testen und sicherzustellen, dass es auf der begrenzten Hardware, die in vielen smarten Geräten zu finden ist, effizient laufen kann. Dennoch deuten die Ergebnisse darauf hin, dass die Kombination verschiedener Arten von Lernalgorithmen der Schlüssel dazu sein könnte, das Internet der Dinge vor den überwältigenden Fluten der Zukunft zu schützen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.