Efficient IoT Intrusion Detection with an Improved Attention-Based CNN-BiLSTM Architecture

要約

インターネットのインターネット（IoT）システムの増え続けるセキュリティの脆弱性には、脅威検出アプローチの改善が必要です。
このペーパーでは、トラフィックパターン分析、時間的サポート学習、および焦点を絞った特徴抽出で構成される統合アプローチを採用することにより、ボットネット攻撃を検出するためのコンパクトで効率的なアプローチを提示します。
提案された注意ベースのモデルは、ハイブリッドCNN-BILSTMアーキテクチャから利益を得ており、N-BaioTデータセットを使用したボットネット攻撃の検出において99％の分類精度を達成し、さまざまなシナリオで高精度とリコールを維持します。
提案されたモデルのパフォーマンスは、Mathews相関係数やCohenのKappa相関係数などの重要なパラメーターによってさらに検証されます。
これらのパラメーターの理想的な結果は、実際の設定および目に見えないデータで、ボットネット攻撃を正確かつ効率的に検出する提案されたモデルの能力を示しています。
提案されたモデルは、IoTネットワークが新たなセキュリティの課題に直面するための強力な防衛メカニズムであることが証明されました。

要約(オリジナル)

The ever-increasing security vulnerabilities in the Internet-of-Things (IoT) systems require improved threat detection approaches. This paper presents a compact and efficient approach to detect botnet attacks by employing an integrated approach that consists of traffic pattern analysis, temporal support learning, and focused feature extraction. The proposed attention-based model benefits from a hybrid CNN-BiLSTM architecture and achieves 99% classification accuracy in detecting botnet attacks utilizing the N-BaIoT dataset, while maintaining high precision and recall across various scenarios. The proposed model’s performance is further validated by key parameters, such as Mathews Correlation Coefficient and Cohen’s kappa Correlation Coefficient. The close-to-ideal results for these parameters demonstrate the proposed model’s ability to detect botnet attacks accurately and efficiently in practical settings and on unseen data. The proposed model proved to be a powerful defence mechanism for IoT networks to face emerging security challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google