用于物联网DDoS防御的弹性且可解释的功率指纹识别技术

《IEEE Open Journal of the Communications Society》：Resilient and Interpretable Power Fingerprinting for IoT DDoS Defense

　　

摘要：

物联网（IoT）设备的普及带来了严重的安全漏洞，尤其是分布式拒绝服务（DDoS）攻击。传统的网络层入侵检测依赖于深度数据包分析和技术流分析，但这些方法在面对现代加密流量时效果不佳，且容易导致严重的隐私泄露问题。为了解决这些限制，我们提出了一种新型的物理层框架，该框架通过利用功率侧信道信号来严格保护数据 payloads 的隐私。本研究通过三个核心机制提升了入侵检测的能力。首先，我们设计了一种动态数据采集和多域特征工程流程。利用这一强大的特征空间，我们基于 XGBoost 的优化模型在宏观异常检测方面取得了 0.9988 的 Macro-F1 分数，在多类识别任务中取得了 0.9658 的分数，能够有效区分隐蔽的攻击和各种合法的 IoT 工作负载（例如 OpenHAB、ThingsBoard），且适用范围广泛。其次，我们系统地评估了该系统在受到高量加性高斯白噪声（AWGN）干扰时的韧性。即使在信噪比为 0 分贝的情况下，我们的系统依然能够保持 0.9553 的高异常检测 F1 分数，远优于传统方法。第三，为了填补“黑盒”机器学习中的信任缺口，我们整合了 Shapley 加性解释（SHAP）框架。全面的可解释性分析表明，我们的模型生成的警报高度透明可信，能够将复杂的分类决策明确映射到物理根源上。此外，针对未见过的攻击工具进行的零样本评估也验证了该模型的泛化能力，在异常检测方面取得了 0.9755 的 Macro-F1 分数，在攻击识别方面取得了 0.8928 的 Macro-AUC 分数。总之，这项研究为物联网边缘安全提供了一种透明、高度抗攻击且以隐私保护为核心的方法论框架。