Ein neuartiges hybrides Deep-Learning-Modell zur Angriffserkennung in IoT-Umgebungen: Faltungsneurales Netzwerk mit Transformator-Ansatz

Zusammenfassung

Die Studie präsentiert ein hybrides Deep-Learning-Modell, das Convolutional Neural Networks (CNN) und Transformers kombiniert, um Angriffe in IoT-Umgebungen zu erkennen. Mit dem CIC-IoT-2023-Datensatz erreichte das Modell hohe Leistungskennzahlen: 99,97 % Genauigkeit und einen Verlust von 0,0123, was seine Wirksamkeit bei der Echtzeit-Angriffserkennung demonstriert.

Zusammenfassung

Die rasante Entwicklung von Internet-of-Things-(IoT)-Geräten hat die Konnektivität und Zugänglichkeit verbessert. Dennoch stellt die zunehmende Vernetzung dieser Umgebungen neue Bedrohungsstufen dar, die eine robuste Anomalieerkennung erfordern. In dieser Studie wird eine neue Sicherheitsmethode vorgestellt, die auf Deep Learning basiert, um die besonderen Bedrohungen zu mindern, die mit Internet-of-Things-Netzwerken verbunden sind. Der vorgeschlagene Ansatz nutzt tiefe neuronale Netze, um Netzwerkaktivitätsmuster effizient zu überwachen und potenzielle Schwachstellen in Echtzeitkommunikation zu erkennen. Ein hybrides CNN-Transformer-Modell zur Angriffserkennung und -klassifizierung in IoT-Netzwerken wird in dieser Studie vorgeschlagen. Um diesen Ansatz zu erstellen und zu testen, haben wir den CIC-IoT-2023-Datensatz analysiert, der 33 verschiedene IoT-Bedrohungstypen umfasst, verteilt auf 7 verschiedene Kategorien. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Modell hervorragend funktioniert, mit einer Genauigkeit von 99,96 %, einem Rückruf von 99,96 %, einem F1-Wert von 99,96 % und einer Genauigkeit von 99,97 % bei einem Verlust von 0,0123. Darüber hinaus wird das vorgeschlagene Modell anhand von Rechenzeit und Ressourcenverbrauch analysiert, was seine Wirksamkeit bei der Erkennung und Klassifizierung von Angriffen mit minimierter Rechenkomplexität und hoher Genauigkeit demonstriert.

Einleitung

Die Technologie des Internets der Dinge hat sich in den letzten Jahren erheblich weiterentwickelt, und wir sind in eine stark vernetzte digitale Welt eingetreten. Viele verschiedene Branchen nutzen derzeit Internet-of-Things-(IoT)-Geräte, darunter Gesundheitswesen, landwirtschaftliche Tätigkeit, Transport, Luft- und Raumfahrt^{und Produktion.} Renommierte Experten prognostizieren, dass das Internet der Dinge (IoT) und verwandte Anwendungen bis 2025 die Weltwirtschaft erheblich beeinflussen werden, mit jährlichen Auswirkungen von 3,9 Billionen bis 11,1 Billionen^Dollar. Andererseits entstehen....

Protokoll

Dieser Abschnitt behandelt Forschungsmaterialien und -methoden im Bereich Angriffserkennungssysteme im IoT-Umfeld. Um die Experimente auf dem CIC-IoT-2023-Datensatz zu replizieren, beschreibt dieses Protokoll spezifische Verfahren. Die folgende Materialtabelle enthält eine Liste aller verwendeten Hardware und Software. Python (pandas, scikit-learn und TensorFlow Keras) wird verwendet, um die Pipeline zu implementieren, die auf Google Colab läuft, wobei PySpark für die Vorverarbeitung großer Dateien verfügbar ist. Eine detaillierte Beschreibung der Datenvorverarbeitungsverfahren wurde bereitgestellt.

Ergebnisse

Dieser Abschnitt stellt die Bewertungsparameter zusammen mit den Testergebnissen dar.

Leistungsbewertungskennzahlen
Die Wirksamkeit der Modelle kann anhand mehrerer definierter Kriterien bewertet werden. Genauigkeit, Abruf, Präzision, F1-Wert, ROC, Verwirrungsmatrix und andere statistische Kennzahlen sind in Tabelle 4 dargestellt. Einblicke in die Gesamtleistung der Modelle werden durch die Kennzahlen bereitgestellt.

Diskussion

Das CNN-Transformer-Modell wurde auf den CICIoT2023-Datensätzen getestet, wobei 80 % für Training und 20 % für Tests reserviert waren. Das Modell erreichte eine Genauigkeit von 99,97 %, einen F1-Wert von 99,96 %, Rückruf von 99,97 %, eine Präzision von 99,96 % und einen Verlust von 0,0123, was seine Wirksamkeit bei der IoT-Intrusionserkennung bestätigt. CNN-basierte Ansätze, ähnlich den Ergebnissen¹³, sind geschickt darin, kleine räumliche Muster in Netzwerkverkeh.......

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Apple M2 (8-Kern-CPU)	Apfel	N/A	(OS) bietet die Umgebung, in der Deep-Learning-Frameworks und -Tools arbeiten.
CICIoT2023 Datensatz	UNB	https://www.unb.ca/cic/datasets/iot2023.html	Öffentlich zugängliches Daset von IoT
Keras 2.6.0	Keras	https://keras.io/	Eine API, die auf TensorFlow läuft und eine benutzerfreundliche Oberfläche bietet.
Matplotlib 3.4.3	Matplotlib	https://matplotlib.org/	Visualisierungsbibliothek für Python.
NumPy 1.21.4	Numpy	https://numpy.org/	Grundlegendes Paket für wissenschaftliches Rechnen mit Python
NVIDIA Tesla P100 GPU (16 GB VRAM)	Google Colab Pro	N/A	Trainingsgeräte
Pandas 1.3.4	Pandas	https://pandas.pydata.org/	Werkzeug zur Datenanalyse und -manipulation.
Python 3.8.10	Python Software Foundation	https://www.python.org/downloads/release/python-3810/	Die beliebteste Sprache für Deep Learning aufgrund ihrer umfangreichen Bibliotheken und der Community-Unterstützung.
scikit-learn 1.0.2	Scikit Learn	https://scikit-learn.org/	Maschinelle Lernbibliothek für Python.
Seaborn 0.11.2	Seaborn	https://seaborn.pydata.org/	Bibliothek zur statistischen Datenvisualisierung.
System-RAM	N/A	N/A	32 GB RAM
TensorFlow 2.6.0	Googeln	https://www.tensorflow.org/	Weit verbreitet für seine umfassenden Werkzeuge und Bibliotheken.