MV-EA-IDS: IoT 배터리 소모 공격을 위한 최적화된 이중 뷰 에너지 인식 침입 탐지 시스템

배터리 소모 공격은 사물인터넷(IoT) 네트워크에 은밀하지만 중요한 위협을 가하며, 공격자가 트래픽 기반 경고를 유발하지 않고도 장치 전력을 고갈시킬 수 있게 합니다. 기존 침입 탐지 시스템(IDS)은 이러한 에너지 인식 위협을 거의 다루지 않거나 현실적인 조건에서 거짓 경보율을 보고하지 않습니다. 본 논문은 네트워크 수준 분석과 추론된 에너지 대리 특성을 결합한 이중 뷰 프레임워크인 멀티뷰 에너지 인식 침입 탐지 시스템(MV-EA-IDS)을 소개하며, 전통적인 공격과 배터리 소모 공격 모두를 탐지합니다. 트래픽 분류를 위해 감독 학습 랜덤 포레스트를 통합하고, 정상 에너지 대리 특성으로 학습된 비지도 학습 분리 포레스트를 통해 비정상적인 소모 패턴을 포착합니다. 적응형 백분위수 임계값과 메타 휴리스틱 k-of-n 융합 규칙으로 거짓 양성을 최소화합니다. 공개 CIC-IoT2023 데이터셋에서 MV-EA-IDS는 99.87% 정확도와 0.01%의 낮은 거짓 양성을 달성하여 에너지 인식 IoT 침입 탐지의 최초 재현 가능 벤치마크를 확립합니다.