Aplicação de Redes Neurais com Seleção de Características para Detecção de Ataques DDoS em Ambientes IoT
DOI:
https://doi.org/10.5753/reic.2022.2295Abstract
Os Ataques de Negação de Serviço Distribuídos (DDoS) têm afetado cada vez mais a efetivação de infraestruturas de rede baseadas em Internet das Coisas (IoT). Dessa forma, é necessário aplicar soluções que possam detectar DDoS em redes IoT, lidando com questões como escalabilidade, adaptabilidade e heterogeneidade. Dentro deste contexto, este trabalho apresenta um Sistema Cloud-Fog para Detecção de ataques DDoS em Redes IoT baseado em Redes Neurais (RN) e Técnicas de Seleção de Características, possibilitando a identificação da melhor composição de características para o treinamento do modelo, bem como a escalabilidade necessária. Os experimentos realizados, usando tráfego de rede real, sugerem que o sistema proposto atinge 99% de acurácia, enquanto reduz o volume de dados trocados e o tempo de detecção.
Downloads
Referências
Ahmed, E., Yaqoob, I., Gani, A., Imran, M., and Guizani, M. (2016). Internet-of-things-based smart environments: state of the art, taxonomy, and open research challenges. IEEE Wireless Communications, 23(5):10–16.
Al-Hadhrami, Y. and Hussain, F. K. (2021). Ddos attacks in iot networks: a comprehensive systematic literature review. World Wide Web, pages 1–31.
Brun, O., Yin, Y., Augusto-Gonzalez, J., Ramos, M., and Gelenbe, E. (2018). Iot attack detection with deep learning. In ISCIS Security Workshop.
Cvitić, I., Peraković, D., Periša, M., and Botica, M. (2021). Novel approach for detection of iot generated ddos traffic. Wireless Networks, 27(3):1573–1586.
Dao, N.-N., V. Phan, T., Sa’ad, U., Kim, J., Bauschert, T., Do, D.-T., and Cho, S. (2021). Securing heterogeneous iot with intelligent ddos attack behavior learning. IEEE Systems Journal, pages 1–10.
Doshi, R., Apthorpe, N., and Feamster, N. (2018). Machine learning ddos detection for consumer internet of things devices. In 2018 IEEE Security and Privacy Workshops (SPW), pages 29–35. IEEE.
Kaushik, S. (2016). Introduction to feature selection methods with an example (or how to select the right variables?). Analytics Vidhya.
Kumar, P., Kumar, R., Gupta, G. P., and Tripathi, R. (2021). A distributed framework for detecting ddos attacks in smart contract-based blockchain-iot systems by leveraging fog computing. Transactions on Emerging Telecommunications Technologies, 32(6):e4112.
Meidan, Y., Bohadana, M., Mathov, Y., Mirsky, Y., Shabtai, A., Breitenbacher, D., and Elovici, Y. (2018). N-baiot—network-based detection of iot botnet attacks using deep autoencoders. IEEE Pervasive Computing, 17(3):12–22.
Pisani, F., de Oliveira, F. M. C., Gama, E. S., Immich, R., Bittencourt, L. F., and Borin, E. (2020). Fog computing on constrained devices: Paving the way for the future iot.
Sharafaldin, I., Lashkari, A. H., Hakak, S., and Ghorbani, A. A. (2019). Developing realistic distributed denial of service (ddos) attack dataset and taxonomy. In 2019 International Carnahan Conference on Security Technology (ICCST), pages 1–8. IEEE.
Yamauchi, M., Ohsita, Y., Murata, M., Ueda, K., and Kato, Y. (2019). Anomaly detection for smart home based on user behavior. In 2019 IEEE International Conference on Consumer Electronics (ICCE), pages 1–6. IEEE.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2022 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
