一种用于物联网网络异常入侵检测的高效特征选择混合方法

摘要 物联网（IoT）设备的指数级增长凸显了对抗网络攻击的强大安全措施的必要性。物联网安全社区的大量研究集中于有效的流量检测模型，特别是异常入侵检测系统（AIDS）。本文专门针对物联网数据集的预处理阶段和特征选择方法，以减少数据复杂性。目标是开发一种在高准确性和低检测时间之间取得平衡的高效AIDS。为实现此目标，我们提出了一种结合过滤器和包裹器方法的混合特征选择方法。该方法整合于两级异常入侵检测系统中。在第一层，我们的方法将网络数据包分类为正常或攻击，第二层则进一步分类攻击以确定其具体类别。我们考虑的一个关键方面是数据集的不平衡问题，采用合成少数类过采样技术（SMOTE）进行处理。为评估所选特征对不同算法机器学习模型表现的影响，即决策树、随机森林、高斯朴素贝叶斯和k近邻，我们使用了基准数据集：BoT-IoT、TON-IoT和CIC-DDoS2019。评估指标包括检测准确率、精确率、召回率和F1分数。结果表明，决策树实现了99.82%至100%之间的高检测准确率，检测时间短至0.02至0.15秒，优于现有物联网网络AIDS架构，证明其在实现准确性和检测效率上的优越性。