13、基于机器学习策略的物联网网络环境入侵检测系统深度解析

基于机器学习策略的物联网网络环境入侵检测系统深度解析

1. 引言

在当今数字化时代，物联网（IoT）技术已渗透到从家庭日常到大型工业环境的各个层面。它通过互联网连接各种应用和服务，为人们创造了便利的环境。然而，设备间的通信方式也使网络面临各种攻击，导致网络安全漏洞频发。入侵检测系统（IDS）作为保障计算机系统安全的重要手段，在网络安全配置中不可或缺。

一般来说，IDS可分为两类：异常检测和基于签名的检测。异常检测系统会构建一个包含正常行为的数据库，当出现与正常行为不同的异常行为时会发出警报；基于签名的检测系统则维护一个包含已知攻击模式的数据库，通过验证当前情况是否存在相似模式或数据来判断是否遭受攻击。

在物联网架构中，网络层负责主机间的数据传输，是一个易受攻击且复杂的阶段，存在诸多安全隐患。物联网安全漏洞的主要原因在于其包含大量相互连接的节点，单个节点受影响可能导致整个系统崩溃。物联网架构的缺陷会引发诸如分布式拒绝服务（DDoS）、远程记录、僵尸网络、数据泄露和勒索软件等攻击。虽然防火墙是应对物联网安全漏洞的基本措施，但由于物联网架构问题的多样性，它并非最佳解决方案。

本文提出了一个利用机器学习技术预测物联网环境中安全异常的框架，重点关注物联网连接设备上的入侵情况。通过采用NSL - KDD数据集，并从该数据集中创建新颖的自定义特征，以提高预测准确性并减少训练时间。该框架在NSL - KDD_CF上的表现优于在NSL - KDD数据集上进行特征选择的方法。

2. 相关研究回顾

• Soni等人的方案 ：采用C5.0和人工神经网络（ANN）两种方法，需选择一组重要特征对信