Zeitschrift für Computertechnik und Informationstechnologie

Erkennung von DDoS-Angriffen im Internet der Dinge mithilfe unüberwachter Algorithmen des maschinellen Lernens

Hailyie Tekleselassie*

Die zunehmende Verbreitung von IoT-Netzwerken hat die Produktivität von Menschen und Organisationen verbessert. Allerdings werden IoT-Netzwerke aufgrund der inhärent schwächeren Sicherheit und der eingeschränkten Ressourcen von IoT-Geräten zunehmend zu Plattformen für DDoS-Angriffe. Dieser Artikel konzentriert sich auf die Erkennung von DDoS-Angriffen in IoT-Netzwerken durch die Klassifizierung eingehender Netzwerkpakete auf der Transportschicht als „verdächtig“ oder „harmlos“ mithilfe von unüberwachten maschinellen Lernalgorithmen. In dieser Arbeit wurden zwei Deep-Learning-Algorithmen und zwei Clustering-Algorithmen unabhängig voneinander trainiert, um DDoS-Angriffe abzuschwächen. Wir legen den Schwerpunkt auf ausbeutungsbasierte DDOS-Angriffe, darunter TCP-SYN-Flood-Angriffe und UDP-Lag-Angriffe. Wir verwenden Mirai-, BASHLITE- und CICDDoS2019-Datensätze zum Trainieren der Algorithmen während der Experimentierphase. Der Genauigkeitswert und der normalisierte gegenseitige Informationswert werden verwendet, um die Klassifizierungsleistung der vier Algorithmen zu quantifizieren. Unsere Ergebnisse zeigen, dass der Autoencoder insgesamt die beste Leistung mit der höchsten Genauigkeit über alle Datensätze hinweg erbrachte.