面向物联网边缘网络实时DDoS检测的轻量级CAB优化深度学习
《Internet of Things》:Lightweight CAB-optimized deep learning for real-time DDoS detection in IoT edge networks
【字体:
大
中
小
】
时间:2026年09月30日
来源:Internet of Things 7.1
编辑推荐:
## 摘要
近年来,物联网(IoT)设备在消费领域的部署呈爆炸式增长,这极大地扩大了分布式拒绝服务(DDoS)攻击的攻击面,给传统入侵检测系统带来了严峻挑战,原因在于其资源有限且流量模式不断变化。为克服上述约束,本文提出了一种轻量级且自适应的深度学习架构,该架构将基于集群动
## 摘要
近年来,物联网(IoT)设备在消费领域的部署呈爆炸式增长,这极大地扩大了分布式拒绝服务(DDoS)攻击的攻击面,给传统入侵检测系统带来了严峻挑战,原因在于其资源有限且流量模式不断变化。为克服上述约束,本文提出了一种轻量级且自适应的深度学习架构,该架构将基于集群动物行为(CAB)的特征优化与深度神经网络相结合,以实现网络边缘的实时DDoS检测。
所提出的方法利用CAB有效采样一组判别性特征,从而在不丢失重要分类信息的情况下降低维度。与标准元启发式方法相比,该优化提高了模型效率并加速了收敛。该框架在BoT-IoT数据集上进行了测试,该数据集代表了一个真实的IoT攻击场景。
实验结果表明,所提出的方法具有较高的检测率,其二分类准确率为94.89%,多分类准确率为93.98%,均高于传统机器学习和深度学习基线模型,如随机森林、支持向量机、LSTM、MLP和GRU。此外,训练后的模型约占18 MB内存,在受控的单流量推理条件下,在Raspberry Pi 4上实现平均推理延迟为每个流量窗口22 ms。这些测量数据表征了在报告的实验配置下的推理工作负载,并不构成对实时IoT网关的完整端到端评估,因为实时流量捕获、特征提取、NAT、防火墙处理以及并发网关工作负载均未进行评估。总体而言,这些结果支持在所评估条件下轻量级边缘推理用于DDoS流量分类的可行性,但完整的实时网关部署和跨异构IoT环境的验证仍是未来工作的课题。
这些结果表明,基于CAB的特征优化在支持可扩展、低延迟和资源高效的入侵检测方面具有实用价值,所提出的框架高度适用于消费级IoT网络的实时安全。
---
## 引言
IoT的大规模扩展通过连接物体和系统的能力,从根本上改变了多个行业,带来了高效、便捷和自动化[1]、[2]。然而,这种互联性也带来了严重的安全风险,其中最明显的是DDoS攻击进入IoT领域。这些原本针对计算机网络的攻击现在被改造以适应IoT环境。在这种情况下,它们极为危险,因为涉及大量相关系统,不仅包括最简单的家用电器,还包括关键基础设施。DDoS攻击通过来自多个来源的过量流量淹没系统,已成为IoT中最显著和最紧迫的威胁之一。这是IoT的一个至关重要组成部分,需要确保其稳定性、安全性和韧性来保护互联数字世界。在IoT被广泛应用于大多数行业的背景下,要有效防止DDoS攻击的发生,就必须正确理解其复杂性。这种知识在提出可行解决方案以应对此类攻击中起着关键作用[3]。
IoT网络上DDoS攻击日益增加复杂性和严重性可归因于技术进步。这些攻击利用IoT机器资源匮乏和安全系统不足的特点。到2025年,IoT设备的使用预计将大幅增加,这将对网络攻击构成更大的威胁。2016年9月成功实施了一次此类攻击,峰值数据流量约为620 Gbps。这些攻击可分为流量型和应用程序层攻击,对网络安全构成极大威胁[4]。流量型攻击尤其针对网络第3层和第4层。这些攻击通常表现为ICMP、UDP和TCP SYN泛洪攻击。同时,应用程序层攻击,如HTTP和DNS攻击,使用较小的数据包运行,但可能造成重大损害。这些攻击凸显了在物联网(IoT)网络中建立针对DDoS威胁的强大防御的重要性。它可能会误导并分散对其他同时针对网站或应用程序的攻击的注意力。应用程序层攻击的连接必须保持活跃状态,包括HTTP和DNS攻击,直到所需数据通过小包窗口发送。应用程序层攻击在攻击初期使用的带宽更少,却能与流量型攻击造成同等程度的破坏[5]。然而,即使带宽更少,应用程序层攻击造成的损害却更大;因此,必须确保不发生DDoS攻击。
鉴于这些不断增多的安全问题,人们越来越关注利用ML和DL技术来提高识别DDoS攻击的准确性。然而,IoT网络流量的增加要求对这些算法进行修改和改进。本工作旨在利用先进的ML和DL方法,在IoT背景下创建检测和预防DDoS攻击的方法[6]、[7]。最新的网络流量中捕获了大量数据,必须开发攻击检测方法以检测DDoS攻击。由于DDoS攻击性质不明确,早期检测其发生是很困难的。本工作的研究重点是使用ML和DL算法检测DDoS攻击。
本研究的主要贡献是将集群动物行为(CAB)算法的特征选择技术与深度神经网络(DNN)分类器相结合,用于检测IoT系统上的DDoS攻击。CAB优化器通过模拟动物群体决策过程以优化高维特征空间探索的能力,优于传统元启发式方法和基于过滤的技术。其结果产生了更可靠和精确的训练特征用于深度学习模型。所提出的框架在实时操作中表现出适应性,计算效率高,并在异构IoT网络上实现了二分类和多分类等多种攻击类别的检测准确率。
IoT和DDoS攻击的发展风险是推动本研究的两个关键技术方面。IoT与DDoS威胁的交汇推动了对创意解决方案的需求,以应对IoT中的DDoS问题。随着IoT在现代生活中变得越来越普遍,包括智慧城市和行业,对DDoS攻击的防御需求变得更加紧迫,因为不断扩大的IoT设备网络可能受到DDoS攻击的影响,从而危及关键服务。传统安全方法不足以检测动态DDoS攻击和广泛的IoT设备,需要创意方法。为有效防御IoT中的DDoS攻击,本研究提出了一种结合CAB算法、特征选择(FS)和深度学习(DL)的新颖方法。通过其整合,它创造了一种新的学习方法,利用CAB优化器的能力充分探索解空间,从而有助于改进DNN的学习过程。这不仅是使DNN模型更精确的方法,也是减少DNN收敛到最佳模型所需时间的方法。在速度和精度是实时应对威胁所必需的IoT环境中,这些是最关键的要素。这一举措旨在通过减少DDoS攻击带来的风险来提高IoT生态系统的可靠性、安全性和可信度,使其能够充分发挥改变技术发展方向的潜力。
所提出的研究为IoT安全和DDoS检测领域引入了以下新颖贡献:
1. **CAB与现有元启发式-DNN组合的比较**:元启发式特征选择与深度分类器结合的入侵检测范式已在文献中确立,PSO-DNN [8]、GA-DNN [9]和GWO-DNN [10]变体均已在IoT安全领域报告。EMDLT的新颖性不在于包装架构,而在于CAB带来的搜索动态在高维、噪声IoT特征空间中的具体表现。PSO一旦粒子速度在多模态适应度景观(常见于IoT特征空间)中衰减,就会遭受早熟收敛[11]。GA的交叉算子会在二进制特征掩码表示中引入遗传漂变,导致次优子集在多代中持续存在。GWO缺乏对历史强解的持久记忆,使其在优化后期容易出现振荡。CAB通过双记忆架构解决了这三种失效模式:MhM_h(全局历史记忆)保存历史最佳位置以防止退化,而MgM_g(代最佳记忆)驱动引导性邻域探索。在BoT-IoT-2018上相同的停止条件下,CAB比PSO和GA收敛快15%(120秒对比140秒和150秒),分类准确率高2-4%,并且在30次独立运行中保持高稳定性,而两种替代方案均为中等稳定性(表14)。在BoT-IoT-2018上,没有现存的PSO-DNN或GA-DNN IDS论文报告了在Raspberry Pi 4上以18 MB/22 ms的边缘部署验证,这使EMDLT在算法机制和实际部署范围上均独具特色。
2. **改进的特征选择**:CAB进行有效特征选择的能力减少了数据集的维度,丢弃了冗余和不相关的属性。这提高了DNN的有效性和速度,导致更快的收敛并降低了计算复杂性。
3. **对不同DDoS攻击的响应能力**:与大多数现有研究中研究者专注于特定形式的DDoS攻击不同,所提出的模型对不同类型的DDoS攻击(如泛洪、放大和应用程序层攻击)具有灵活性。这种灵活性使其更加强大,并可应用于各种IoT环境。
4. **实证测试和实际应用**:该方法已通过BoT-IoT-2018数据集进行了实证测试,在多分类(MC)和二分类(BC)方面均显示出更好的结果。结果表明,与传统方法相比,在检测准确率、精确度、召回率和F1分数上的提升是显著的。
5. **增强的学习过程**:CAB和DNN结合了两种方法的优势,实现了更好的学习过程,提高了模型检测IoT流量异常的能力。这种统一提供了一种增强且更准确的检测机制,这对于实时IoT安全应用至关重要。
本文的主要研究目标是将集群动物行为(CAB)算法与FS结合,并用于利用深度神经网络(DNN)进行二分类(BC)和多分类(MC)。这些目标旨在提高易受DDoS攻击影响的IoT环境中入侵检测系统(IDS)的准确性、性能和可扩展性。
- 设计和实现一种基于CAB的FS方法,该方法将动物群体中观察到的集群行为原则调整为优化入侵检测的FS。
- 研究CAB算法在识别对DDoS攻击准确分类有贡献的关键特征方面的有效性。
- 开发和训练一个针对DDoS攻击复杂性的DNN模型,有效辨别网络流量数据中的模式和异常。
- 实现BC模型以区分正常流量和DDoS攻击,以及多分类模型以分类多种攻击。
- 与传统企业级模型不同,所提出的EMDLT针对边缘受限的消费电子产品平台进行了优化,如智能家居网关和IoT设备,使在资源受限的环境中实现实时DDoS检测。
本研究旨在使用EMDLT整合CAB方法、FS和DNN,推动IoT安全领域的发展。通过完成这些研究目标,研究人员希望开发一种技术,除了快速识别关键特征外,还能利用对BC和MC场景的详细知识准确分类DDoS攻击。本文的主要目标是提高IoT环境中IDS的鲁棒性和可靠性,以改善安全性和稳定性。
本文的组织结构旨在描绘关于特征选择和分类以识别IoT环境中DDoS攻击的研究。文章结构如下:第2节回顾相关文献;第3节方法;第4节介绍CAB算法和理论复杂度分析;第5节描述特征工程、分类技术和实验设置;第6节结果;第7节提供讨论和未来工作,并与最先进研究进行比较;第8节结论。
---
## 文献回顾
为加强本文的技术基础,我们回顾了若干相关研究,这些研究针对IoT环境中的DDoS检测,并将其关键发现整合到我们的方法论和分析中。ML和DL使机器能够像人类一样从学习经验中做出决策。
它与人形智能(Artificial Intelligence, AI)密切相关,人工智能是将智能赋予机器的过程。与传统编程不同,机器学习(ML)和深度学习(DL)使系统能够在无需(...)的情况下从数据中学习。
**方法论** 如图1(a)所示的EMDLT威胁模型经过验证,该模型基于消费类物联网网络的若干特定假设。该模型将链路上的中间设备视为中间盒或智能家居网关路由器,并将其战略性地部署在网络路径中。该设备主动监控并分析智能家居局域网环境中各种物联网设备之间的网络流量。该中间盒有权捕获、检查和过滤所有传入和传出流量,包括……
**CRediT作者贡献声明:** Saima Siraj Qureshi:撰写——初稿、验证、资源、方法论、获取研究资金。Jingsha He:撰写——审阅与编辑、验证、监督、项目管理。Azhar Ali Agro Mughal:可视化、数据管理。Siraj Uddin Qureshi:软件、形式化分析、数据管理。Nafei Zhu:验证、调查、获取研究资金、形式化分析。
**利益冲突声明:** 作者声明,他们不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
Saima Siraj Qureshi | Jingsha He | Azhar Ali Agro Mughal | Siraj Uddin Qureshi | Nafei Zhu
北京工业大学信息学院,北京,100124,中国
生物通微信公众号
生物通新浪微博
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