基于联邦学习与数据挖掘的物联网恶意网络攻击检测框架 作者: Kalupahana Liyanage、Kushan Sudheera、Lokuge Lehele Gedara Madhuwantha Priyashan、Oruthota Arachchige Sanduni Pavithra、Malwaththe Widanalage Tharindu Aththanayake、Piyumi Bhagya Sudasinghe、Wijethunga Gamage Chatum Aloj Sankalpa、Gammana Guruge Nadeesha Sandamali 以及 Peter Han Joo Chong

《Sensors》:Federated Learning and Data Mining-Based Botnet Attack Detection Framework for Internet of Things Kalupahana Liyanage Kushan Sudheera, Lokuge Lehele Gedara Madhuwantha Priyashan, Oruthota Arachchige Sanduni Pavithra, Malwaththe Widanalage Tharindu Aththanayake, Piyumi Bhagya Sudasinghe, Wijethunga Gamage Chatum Aloj Sankalpa, Gammana Guruge Nadeesha Sandamali and Peter Han Joo Chong

【字体: 大 中 小 】 时间:2026年03月05日 来源:Sensors 3.5

编辑推荐:

   摘要 在物联网(IoT)环境中,僵尸网络攻击通常表现为多阶段攻击,这使得在分布式且对隐私敏感的网络中进行早期

  

摘要

在物联网(IoT)环境中,僵尸网络攻击通常表现为多阶段攻击,这使得在分布式且对隐私敏感的网络中进行早期且可靠的检测变得困难。集中式检测方法往往受到异构流量特征、严重的数据不平衡以及需要汇总大量原始网络数据的影响,从而引发可扩展性和隐私方面的问题。为了解决这些挑战,本文提出了一种基于联邦学习和数据挖掘的框架FDA,用于物联网网络中的分阶段僵尸网络攻击检测。FDA在网络网关处运行,首先检测异常流量,然后使用频繁项集挖掘(FIM)将其抽象为简洁且可解释的模式。这种基于模式的表示方法减少了噪声和局部流量偏差,使得在不同物联网网络中进行更稳健的学习成为可能。在网关处本地训练轻量级神经网络模型,并通过模型参数的联邦聚合来学习全局模型,避免了原始网络数据的直接共享,同时使得网关能够协作学习不同物联网网络中的不断演变的攻击模式。实验结果表明,FDA在所有网关上的异常检测F1分数超过99%,多阶段僵尸网络攻击分类的F1分数在48–49%之间,这些结果与在去中心化和保护隐私的约束条件下运行的集中式机器学习基线相当。总体而言,FDA为现实世界物联网部署中的分布式僵尸网络攻击分阶段检测提供了一种实用、保护隐私且有效的解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号