在物联网环境中检测僵尸网络攻击：一种优化的机器学习方法

摘要：对互联网的依赖增加以及相应连接需求的激增，导致了物联网设备数量的显著增长。物联网设备的持续部署，反过来又由于潜在攻击面的扩大，导致了网络攻击的增加。最近的报告显示，物联网恶意软件攻击从2017年的1030万次增加到2018年的3270万次，增长了215.7%，这说明了物联网设备和网络日益增加的脆弱性和易受攻击性。因此，在此类环境中需要适当有效且高效的攻击检测和缓解技术。机器学习（ML）已成为一种潜在的解决方案，因为物联网设备和网络生成和可用的数据非常丰富。因此，它们具有被用于物联网环境入侵检测的巨大潜力。为此，本文提出了一种优化的基于机器学习的框架，该框架结合了贝叶斯优化高斯过程（BO-GP）算法和决策树（DT）分类模型，以有效且高效的方式检测对物联网设备的攻击。使用Bot-IoT-2018数据集评估了所提出框架的性能。实验结果表明，所提出的优化框架具有很高的检测准确率、精确率、召回率和F分数，突显了其在物联网环境中检测僵尸网络攻击的有效性和鲁棒性。

评论：4页，2张图，1个表格，已被接收并在第32届IEEE微电子国际会议（IEEE-ICM2020）上发表。

主题：密码学与安全（cs.CR）；机器学习（cs.LG）；网络与互联网架构（cs.NI）

引用为：arXiv:2012.11325 [cs.CR]

DOI：https://doi.org/10.48550/arXiv.2012.11325

提交历史：来自 Abdallah Moubayed [查看邮箱] 版本[v1]：2020年12月16日星期三 16:39:55 UTC（271 KB）