Detección robusta de ataques DDoS utilizando el optimizador de Harris Hawks por partes con aprendizaje profundo para un entorno seguro de Internet de las Cosas
Autores: Ragab, Mahmoud; M. Alshammari, Sultanah; Maghrabi, Louai A.; Alsalman, Dheyaaldin; Althaqafi, Turki; AL-Ghamdi, Abdullah AL-Malaise
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Detección robusta de ataques DDoS utilizando el optimizador de Harris Hawks por partes con aprendizaje profundo para un entorno seguro de Internet de las Cosas
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Internet de las cosas
Riesgo de seguridad
Ataques de denegación de servicio distribuido
Inteligencia artificial
Aprendizaje profundo
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
El Internet de las cosas (IoT) se refiere a la red de dispositivos físicos interconectados que están integrados con software, sensores, etc., lo que les permite intercambiar y recopilar información. Aunque los dispositivos IoT tienen varias ventajas y pueden mejorar la eficacia de las personas, también representan un riesgo de seguridad. El actor malicioso intenta con frecuencia encontrar una nueva forma de utilizar y explotar recursos específicos, y un dispositivo IoT es un candidato ideal para tal explotación debido al gran número de dispositivos activos. Especialmente, los ataques de Denegación de Servicio Distribuido (DDoS) incluyen la explotación de un considerable número de dispositivos como los dispositivos IoT, que actúan como bots y transfieren solicitudes fraudulentas a los servicios, obstruyéndolos de esta manera. Es necesario contar con un sistema robusto de detección basado en métodos satisfactorios para detectar e identificar si estos ataques han ocurrido o no en una red. La técnica más ampliamente utilizada para estos propósitos es la inteligencia artificial (IA), que incluye el uso de Aprendizaje Profundo (DL) y Aprendizaje Automático (ML) para encontrar ciberataques. El estudio presenta un Optimizador de Halcones de Harris a Trozos con un Clasificador de Aprendizaje Profundo Óptimo (PHHO-ODLC) para un entorno IoT seguro. El objetivo fundamental del algoritmo PHHO-ODLC es detectar la existencia de ataques DDoS en la plataforma IoT. El método PHHO-ODLC sigue un proceso de tres etapas. En la etapa inicial, el algoritmo PHHO puede ser empleado para elegir características relevantes y así mejorar el rendimiento de la clasificación. A continuación, se puede aplicar una red de memoria a corto y largo plazo bidireccional basada en atención (ABiLSTM) al proceso de clasificación de ataques DDoS. Finalmente, la selección de hiperparámetros de la red ABiLSTM se lleva a cabo mediante el uso de un optimizador de lobo gris (GWO). Se realizó un análisis de simulación extenso para mostrar la precisión de detección mejorada de la técnica PHHO-ODLC. Los resultados extensos demostraron la importancia de la técnica PHHO-ODLC en cuanto a la detección de ataques DDoS en la plataforma IoT.
Descripción
El Internet de las cosas (IoT) se refiere a la red de dispositivos físicos interconectados que están integrados con software, sensores, etc., lo que les permite intercambiar y recopilar información. Aunque los dispositivos IoT tienen varias ventajas y pueden mejorar la eficacia de las personas, también representan un riesgo de seguridad. El actor malicioso intenta con frecuencia encontrar una nueva forma de utilizar y explotar recursos específicos, y un dispositivo IoT es un candidato ideal para tal explotación debido al gran número de dispositivos activos. Especialmente, los ataques de Denegación de Servicio Distribuido (DDoS) incluyen la explotación de un considerable número de dispositivos como los dispositivos IoT, que actúan como bots y transfieren solicitudes fraudulentas a los servicios, obstruyéndolos de esta manera. Es necesario contar con un sistema robusto de detección basado en métodos satisfactorios para detectar e identificar si estos ataques han ocurrido o no en una red. La técnica más ampliamente utilizada para estos propósitos es la inteligencia artificial (IA), que incluye el uso de Aprendizaje Profundo (DL) y Aprendizaje Automático (ML) para encontrar ciberataques. El estudio presenta un Optimizador de Halcones de Harris a Trozos con un Clasificador de Aprendizaje Profundo Óptimo (PHHO-ODLC) para un entorno IoT seguro. El objetivo fundamental del algoritmo PHHO-ODLC es detectar la existencia de ataques DDoS en la plataforma IoT. El método PHHO-ODLC sigue un proceso de tres etapas. En la etapa inicial, el algoritmo PHHO puede ser empleado para elegir características relevantes y así mejorar el rendimiento de la clasificación. A continuación, se puede aplicar una red de memoria a corto y largo plazo bidireccional basada en atención (ABiLSTM) al proceso de clasificación de ataques DDoS. Finalmente, la selección de hiperparámetros de la red ABiLSTM se lleva a cabo mediante el uso de un optimizador de lobo gris (GWO). Se realizó un análisis de simulación extenso para mostrar la precisión de detección mejorada de la técnica PHHO-ODLC. Los resultados extensos demostraron la importancia de la técnica PHHO-ODLC en cuanto a la detección de ataques DDoS en la plataforma IoT.