论文部分内容阅读
Io T(物联网)设备正被广泛用于各种应用,包括智能家居,智能学校,智能医疗保健等等。通过使用物联网设备,系统的智能,电源效率和数据处理能力得到了增强,但系统的安全性处于危险之中。如果基于物联网(Io T)构建的系统缺乏足够的安全性,则容易受到攻击。攻击者关注的是物联网设备的应用层。分布式拒绝服务攻击(DDos)、撒旦攻击、间谍软件攻击和其他类型的攻击正在对基于Io T的设备构成安全风险。为了检测基于物联网的系统中的攻击,使用来自物联网设备的流量数据进行了许多先前的研究。作为识别攻击的一部分,源字节和目标字节起着重要作用。在本论文中,主要研究目标是对DDos攻击的检测和预测,重点是物联网设备。首先,使用数据预处理方法,例如数据平衡,异常值消除等。第二,构建了基于物联网设备原始字节和目标字节以及其他有关物联网设备流动特性参数的漏洞检测系统,最后提出了一种基于机器学习的物联网设备综合攻击分类方法。根据这项研究,本论文的贡献如下:(1)主要目标是展示基于机器学习的系统的安全性,该系统使用流量数据预测应用层物联网设备的安全威胁。(2)此外,应根据其性能标准对模型进行评估。由于数据偏斜,预测系统会遇到困难。因此,为了确保数据集的平衡,必须采用数据平衡程序(Tomek和SMOTE)。(3)为了便于分析,从数据中删除了异常值。这项研究还研究了基于机器学习的分类模型,希望尽早发现攻击。在研究过程中,数据集是平衡的,以便评估模型之间的分类器准确性。软投票分类器和硬投票分类器在检测DDo S攻击方面分别准确率为90%和89.999%。