53、基于不平衡分类的物联网僵尸网络检测技术研究

基于不平衡分类的物联网僵尸网络检测技术研究

1. 引言

随着物联网的迅速发展，僵尸网络攻击日益猖獗，对物联网安全构成了严重威胁。目前，检测僵尸网络攻击的技术主要包括误用检测、异常检测和混合检测。其中，异常检测技术因其能够检测未知攻击而备受关注，机器学习和数据挖掘算法是异常检测技术的主要手段。然而，异常检测算法的成功实施依赖于能否有效解决误报问题。本文提出了一种机器学习框架，旨在以更高的准确率、精确率、召回率和 F1 分数检测恶意物联网流量，并解决了不平衡数据集的问题。

2. 文献综述

2.1 相关研究

近年来，入侵检测一直是研究热点。在物联网僵尸网络检测方面，已有不少相关研究：
- 特征选择与模型验证 ：有研究使用 CorrAUC 特征选择技术选择重要特征，并通过双射软集验证，在 BoT–IoT 数据集上验证了其方法。该研究使用 C4.5 决策树、随机森林、SVM 和朴素贝叶斯算法，其中 C4.5 决策树和随机森林表现较好，但对键盘记录盗窃攻击的检测不够精确。
- 逻辑回归预测 ：有研究使用逻辑回归预测设备发起连接为僵尸网络的概率，准确率达到 0.97，精确率和召回率分别为 0.94 和 0.98。
- 深度学习检测 ：
- 有研究使用 LSTM 和 BLSTM 结合 RNN 进行检测，在 Mirai、UDP、ACK 和 DNS 攻击的检测中，LSTM 和双向 LSTM 表现相当，但在多向量 ACK 攻击检测中，准确率约为 92%，需要进一步研究提高 ACK 攻击向量的检测精度。
- NBa