基于LSTM和增强型斑点鬣狗优化器的物联网DDoS攻击检测方法

《Scientific Reports》：An enhanced spotted hyena optimizer-based LSTM framework for accurate DDoS attack detection in internet of things networks

　　

摘要

物联网设备的激增使得现代网络更容易受到分布式拒绝服务（DDoS）攻击的影响，此类攻击可能会使系统不堪重负并导致其崩溃。由于物联网生成的网络数据结构复杂、体积庞大且行为不断变化，传统检测算法往往产生过多误报，难以保持准确性，使得检测此类攻击极具挑战性。本文提出了一种优化-深度学习集成策略，用于提高物联网系统中分布式拒绝服务威胁的检测能力。该模型包括长短期记忆（LSTM）网络和增强型斑点鬣狗优化器（E-SHO），用于有效的超参数调整和特征选择。改进后的优化器集成了自适应控制策略、莱维飞行探索、惯性权重调整和基于反向的学习，以改善搜索过程并防止过早收敛。优化部分调整模型参数，而LSTM网络学习网络数据的时间模式。该模型使用CICDDoS2019和N-BaIoT基准数据集进行了测试。实验结果显示，对于CICDDoS2019数据集，准确率为92.21%，精确率为92.22%，召回率为92.22%，F1分数为92.22%；对于N-BaIoT数据集，准确率为93.1%，精确率为92.8%，召回率为92.8%，F1分数为92.9%。与以往技术相比，该方法还提供了更低的误报率和更高的稳定性。