Phương pháp tiếp cận học sâu kết hợp Autoencoder với các thuật toán phân loại giám sát cho phát hiện bất thường mạng IoT
110 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE7.2023.98-110Từ khóa:
IoT; Autoencoder; Phát hiện bất thường; Học giám sát.Tóm tắt
Phát hiện bất thường cho mạng IoT đang là một vấn đề thách thức do số lượng rất lớn các thiết bị kết nối với nhau và tạo ra một lượng dữ liệu khổng lồ. Trong nghiên cứu này, chúng tôi đề xuất một mô hình kết hợp giữa Autoencoder với các thuật toán phân loại để xây dựng một kiến trúc đầu cuối cho việc xử lý, trích xuất đặc trưng và phân loại dữ liệu. Autoencoder được sử dụng để trích xuất những đặc trưng ẩn, có giá trị từ dữ liệu ban đầu, trong khi các thuật toán học có giám sát như Softmax, Random Forest, K-nearest Neighbors, Support Vector Machine, AdaBoost được sử dụng để huấn luyện và kiểm tra trên dữ liệu đầu ra của AE. Sau đó, chúng tôi kiểm tra các mô hình đề xuất trên chín thiết bị gần đây trong bộ dữ liệu N-BaIoT và đánh giá hiệu suất của chúng. Theo kết quả thực nghiệm, mô hình đề xuất cải thiện đáng kể hiệu suất của các phương pháp phát hiện bất thường IoT.
Tài liệu tham khảo
[1]. C. Kolias, G. Kambourakis, A. Stavrou, and J. Voas, “DDoS in the IoT: Mirai and other botnets,” Computer (Long Beach Calif), vol. 50, no. 7, pp. 80–84, (2017), doi: 10.1109/MC.2017.201. DOI: https://doi.org/10.1109/MC.2017.201
[2]. M. Asam et al., “IoT malware detection architecture using a novel channel boosted and squeezed CNN,” Scientific Reports 2022 12:1, vol. 12, no. 1, pp. 1–12, (2022), DOI: 10.1038/s41598-022-18936-9. DOI: https://doi.org/10.1038/s41598-022-18936-9
[3]. S. Li, Q. Zhang, X. Wu, W. Han, and Z. Tian, “Attribution classification method of APT malware in IoT using machine learning techniques,” Secur. Commun. Netw., (2021), DOI: 10.1155/2021/9396141. DOI: https://doi.org/10.1155/2021/9396141
[4]. T. G. Palla and S. Tayeb, “Intelligent Mirai Malware Detection in IoT Devices,” IEEE World AI IoT Congress, AIIoT 2021, pp. 420–426, (2021), DOI: 10.1109/AIIOT52608.2021.9454215. DOI: https://doi.org/10.1109/AIIoT52608.2021.9454215
[5]. Y. Meidan et al., “N-baiot—network-based detection of iot botnet attacks using deep autoencoders,” IEEE Pervasive Comput, vol. 17, no. 3, pp. 12–22, (2018). DOI: https://doi.org/10.1109/MPRV.2018.03367731
[6]. S. Li, Y. Li, W. Han, X. Du, M. Guizani, and Z. Tian, “Malicious mining code detection based on ensemble learning in cloud computing environment,” Simul. Model. Pract. Theory, vol. 113, p. 102391, (2021), doi: 10.1016/j.simpat.2021.102391. DOI: https://doi.org/10.1016/j.simpat.2021.102391
[7]. J. Carrillo-Mondéjar, J. L. Martínez, and G. Suarez-Tangil, “Characterizing Linux-based malware: Findings and recent trends,” Futur. Gen. Comput. Syst., vol. 110, pp. 267–281, (2020), doi: 10.1016/j.future.2020.04.031. DOI: https://doi.org/10.1016/j.future.2020.04.031
[8]. G. Pang, C. Shen, L. Cao, A. H.-A. computing surveys (CSUR), and undefined 2021, “Deep learning for anomaly detection: A review,” dl.acm.org, vol. 54, no. 2, (2020), DOI: 10.1145/3439950. DOI: https://doi.org/10.1145/3439950
[9]. L. Vu, Q. U. Nguyen, D. N. Nguyen, D. T. Hoang, and E. Dutkiewicz, “Deep Transfer Learning for IoT Attack Detection,” IEEE Access, vol. 8, pp. 107335–107344, (2020), DOI: 10.1109/ACCESS.2020.3000476. DOI: https://doi.org/10.1109/ACCESS.2020.3000476
[10]. L. Vu, V. L. Cao, Q. U. Nguyen, D. N. Nguyen, D. T. Hoang, and E. Dutkiewicz, “Learning Latent Representation for IoT Anomaly Detection,” IEEE Trans Cybern, pp. 1–14, (2020), doi: 10.1109/tcyb.2020.3013416. DOI: https://doi.org/10.1109/TCYB.2020.3013416
[11]. H. N. Nguyen, V. C. Nguyen, N. N. Tran, and V. L. Cao, “Feature Representation of AutoEncoders for Unsupervised IoT Malware Detection,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 13076 LNCS, pp. 272–290, (2021), DOI: 10.1007/978-3-030-91387-8_18/COVER. DOI: https://doi.org/10.1007/978-3-030-91387-8_18
[12]. H. N. Nguyen, N. N. Tran, T. H. Hoang, and V. L. Cao, “Denoising Latent Representation with SOMs for Unsupervised IoT Malware Detection,” SN Computer Science 2022 3:6, vol. 3, no. 6, pp. 1–15, (2022), DOI: 10.1007/S42979-022-01344-1. DOI: https://doi.org/10.1007/s42979-022-01344-1
[13]. I. Goodfellow, Y. Bengio, A. Courville, and Y. Bengio, “Deep learning”, vol. 1, no. 2. MIT press Cambridge, (2016).
[14]. V. L. Cao, M. Nicolau, and J. McDermott, “Learning Neural Representations for Network Anomaly Detection,” IEEE Trans Cybern, vol. 49, no. 8, pp. 3074–3087, (2019), DOI: 10.1109/TCYB.2018.2838668. DOI: https://doi.org/10.1109/TCYB.2018.2838668
[15]. A. Chatterjee and B. S. Ahmed, “IoT anomaly detection methods and applications: A survey,” Internet of Things, vol. 19, p. 100568, (2022), doi: 10.1016/J.IOT.2022.100568. DOI: https://doi.org/10.1016/j.iot.2022.100568
[16]. Y. Mirsky, T. Doitshman, Y. Elovici, and A. Shabtai, “Kitsune: An Ensemble of Autoencoders for Online Network Intrusion Detection,” (2018), DOI: 10.14722/ndss.2018.23204. DOI: https://doi.org/10.14722/ndss.2018.23204
