Die Arbeit präsentiert einen neuartigen Mehrkanaligen Autoencoder (MIAE) zur Verarbeitung heterogener IoT-Eingangsdaten mit unterschiedlichen Dimensionen. MIAE besteht aus mehreren parallelen Encoder-Komponenten, die verschiedene Arten von Eingangsdaten verarbeiten können. Die Ausgabe der Encoder-Komponenten wird dann zu einer niedrigdimensionalen Darstellung kombiniert, um Klassifikatoren bei der Unterscheidung zwischen normalem Verhalten und verschiedenen Angriffsarten zu unterstützen.
Um redundante Merkmale aus der Darstellung zu entfernen und nur die wichtigsten Merkmale beizubehalten, wird in MIAE eine Merkmalsauswahlschicht integriert, was zu dem Modell MIAEFS führt. Die Merkmalsauswahlschicht lernt die Wichtigkeit der Merkmale in der Darstellung und ermöglicht so die Auswahl informativer Merkmale.
Die Experimente auf drei gängigen IoT-IDS-Datensätzen (NSLKDD, UNSW-NB15, IDS2017) zeigen die Überlegenheit von MIAE und MIAEFS gegenüber herkömmlichen Klassifikatoren, Dimensionalitätsreduktionsmodellen, unüberwachten Repräsentationslernmethoden für Mehrkanal-Eingaben und unüberwachten Merkmalsauswahlmodellen. MIAE und MIAEFS in Kombination mit dem Random-Forest-Klassifikator erreichen eine Genauigkeit von 96,5% bei der Erkennung komplexer Angriffe wie Slowloris. Die durchschnittliche Erkennungszeit pro Angriffsbeispiel beträgt etwa 1,7E-6 Sekunden, und die Modellgröße ist kleiner als 1 MB.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문