基于KNN-RNN混合模型的物联网DDoS攻击检测框架研究

《Scientific Reports》：A hybrid machine-learning based security algorithm for improved detection of distributed-denial-of-services attacks in internet of things networks

　　

摘要

物联网（IoT）已成为智能和自主系统的关键推动者，支持农业、医疗、教育和智能基础设施等多个领域的应用。然而，物联网设备连接数量的不断增加显著扩大了攻击面，使这些网络尤其容易受到分布式拒绝服务（DDoS）攻击。现有的检测方法，包括决策树（DT）、线性回归（LR）和K-means，通常受限于分类准确率不够理想、响应延迟高以及难以适应不断演变的零日攻击模式，从而降低了它们在动态物联网环境中的有效性。为了解决这些局限性，本研究提出了一种基于机器学习的网络安全（MLBS）框架，该框架整合了K-最近邻（KNN）和循环神经网络（RNN），以增强物联网网络中对DDoS攻击的检测和缓解能力。所提出的混合模型利用RNN的时间序列学习能力和KNN的基于实例的分类优势，提高了检测准确性和泛化能力。该框架在MATLAB仿真环境中进行了评估，取得了98.72%的准确率、97.95%的精确率、98.94%的召回率和98.39%的F1分数，优于传统的基线模型。除了性能提升之外，所提出的MLBS框架在未见过的流量模式上也表现出强劲的性能，表明其适用于实时部署。本工作的核心贡献在于提供了一种可扩展、自适应且高精度的入侵检测解决方案，增强了物联网网络针对已知和新兴DDoS威胁的抗打击能力。