多级分类过程检测攻击MQTT-IoT协议

文摘

大量的传感器和执行器构成物联网要求这些系统使用不同的技术和协议。这意味着,物联网网络比传统的异构网络。这产生了新的挑战在网络安全保护这些系统和设备的特点是不断被连接到互联网。入侵检测系统(IDS)是用来保护物联网系统的各种异常,在网络层的攻击。入侵检测系统(IDS)可以通过机器学习技术改进。我们的工作着重于创建分类模型,可以养活一个IDS使用一个数据集,其中包含帧的攻击下一个物联网系统,使用MQTT协议。我们有两种类型的分类方法解决攻击,整体方法和深度学习模型,更具体地说网络与复发非常令人满意的结果。

1。介绍

“物联网”(物联网)描述了许多不同的系统和设备,不断地连接到互联网,给来自他们与致动器的传感器或交互的信息。到2020年,据估计将会有45亿神往的加入互联网1]。这些设备有特殊的功能,如计算能力低和轻使用特定协议。这使得物联网设备更高效、更小的和更少的能源消耗;然而这些低设置减少他们的加密能力。这些异构系统和网络提供网络安全新挑战,例如新的漏洞和异常(2,3]。近年来最重要的一个攻击,Mirai僵尸网络,利用这些漏洞进行分布式拒绝服务攻击感染物联网设备和攻击多达400000同时连接设备4]。

提高网络安全的方法之一是入侵检测系统(IDS)的使用。id是检测攻击的最有效的技术之一在一个网络。这个工具可以检测网络入侵和网络误用通过匹配的已知的攻击模式进行网络活动(5]。与这个目的,我们的重点是开发一个id为物联网与机器学习模型。IDS使用两个不同的检测方法:基于特征码的检测方法和anomaly-based检测。基于签名的检测方法是有效的在检测知名攻击通过检查网络流量为特定的模式。Anomaly-based探测系统识别攻击通过监控整个系统的行为,对象,或交通和比较他们与一个预定义的正常状态(6]。

机器学习技术用于提高检测方法,通过创建新规则为基于签名的id或自动适应anomaly-based IDS的检测模式。这些anomaly-based id有好的结果在预选赛中帧可能受到攻击(7,他们甚至是有效的在检测零日攻击8]。

建立一个机器学习分类器需要使用一个数据集。在网络入侵检测有一些著名的数据集用于饲料IDS与机器学习技术(9]。没有公共数据集的基于网络流量使用物联网协议,我们使用一个数据集,创建了在我们先前的研究(数据集可以在https://joseaveleira.es/dataset。©®reg # le - 229 - 18)。本文的重点在三个不同的机器学习技术,分类三个不同的攻击和正常帧同时使用我们的物联网环境数据集。

2。相关工作

有几种方法的异常检测在传统网络中使用机器学习。最广泛使用的数据集是KDD99 [10和NSL-KDD数据集11](KDD ' 99)的一个改良版本。这些数据集包含交通了TCP协议和收集不同的攻击类型。基于这些数据,一些异常检测模型已经开发使用支持向量机和随机森林12,13]。另一种技术使用在这个数据集K-Centroid集群,其目标是提高其他模型的性能(14]。也有升级这些数据集的方法,如平衡类来提高模型的预测精度,可以改善他们的表现(15]。

其他检测技术具有良好的结果是使用基于模糊性semisupervised学习得到一个84的准确性16)并获得好的结果分析网络流量使用顺序极端的学习机器精度约95 (17]。这些好的结果表明机器学习是一个很好的方法来提高入侵检测的网络层。

机器学习方法是基于深度学习(18]。有很多方法解决异常检测使用深度学习。提出的一种方法是使用深层信念网络(DBN)作为功能选择器在数据库知识发现(KDD)的数据集,结合支持向量机分类的攻击(19,20.]。另一个方法是使用深度学习模型作为特征选择器使用费舍尔得分,一个经典的统计方法,结合一个autoencoder减少数据的维度和提取中价值最高的功能(21]。深度学习模型作为分类器。理解网络攻击的临时数据序列是很重要的,长期短期记忆(LSTM)网络,一个变种的复发性网络,已经被用于分类数据库知识发现(KDD)的攻击(22]。

至于物联网id,有一个方法,使用雾计算结合移动计算边缘。使用这个组合,为NSL-KDD数据集进行了数值模拟,它已经表明,这种类型的IDS具有良好的性能在准确性和时间依赖性23]。使用这个数据集,还有一个id基于规则的规则修改使用机器学习资讯和SVM技术(24]。因为物联网研究IDS方案仍在初期,提出的解决方案不包括范围广泛的攻击或物联网技术(25]。

最近还有其他的数据集,如AWID [26]它收集TCP数据帧从一个WLAN网络在这几个攻击是802.11安全机制研究无线入侵了使用神经网络分类器(27];另一个当前数据集是CICIDS2017 [28)用于验证的检测算法进行了培训与复发性神经网络(29日]。

本研究是基于一个数据集专业协议实现物联网环境中检测特定的漏洞。它是专门在一个不存在的物联网协议解剖的流量可以使用与研究目的。

3所示。方法和材料

本节描述的方法,从理论的角度以及材料用于实施实验。

3.1。MQTT数据集

为了分类异常在一个物联网环境中,我们构建了一个数据集用MQTT publish-subscribe-based消息传递协议。它是一盏协议广泛应用于物联网(30.]。

MQTT的拓扑架构遵循一个明星,一个中央节点作为服务器或代理。代理负责管理网络和传输。通信是基于主题由客户端发布消息,希望收到它的节点必须订阅它。可以一对一的沟通,或者一对多。

这个数据集已经在测试环境中获得与几个传感器,执行器,一个服务器。这个服务器主机管理应用程序,也做代理管理MQTT协议的消息。环境的方案详细图1。

我们进行了一些攻击MQTT协议的测试环境。我们捕捉到这些攻击在网络层以及所有生成的流量。这次袭击进行如下:(我)DoS:拒绝服务是互联网上最常见的一种攻击(31日]。MQTT协议的情况下,代理是由饱和攻击每秒它与大量的信息和新的连接。使用MQTT-malaria程序(32),这个程序是用于测试的可伸缩性和负载测试工具MQTT环境。(2)中间人(MitM)由拦截的消息在两个通信点试图修改内容;在本例中,它是一个传感器和代理之间通过修改传感器数据。执行攻击我们使用Ettercap分布卡莉Linux和工具。(3)入侵:考虑到MQTT协议的特点,这种攻击包括使用知名端口(1883)的协议和一个命令使用特殊字符" # "可以使用外部攻击者知道活动主题可用下标。找出哪些主题之外的客户端系统(33]。

相关字段和选择协议后系统中捕获网络流量。所有通信帧标记显示其中一个是否受到攻击或者是正常的。有三个生成CSV文件,一个用于每一个攻击,它们被使用的数据集的一部分。选择特性和标签帧指示是否受到攻击使监督学习技术在这个数据集上使用。

数据集的特点如下:(我)DoS。csv包含94.625帧,其中45.513的捕获攻击流量和49.112是正常的流量。(2)MitM。csv包含110668帧3855中间人攻击和106.813正常交通框架。(3)入侵。csv帧总数为80893与1898受到攻击和78995正常交通框架。

3.2。分类方法

我们选择XGBoost因为等研究了好的结果34- - - - - -36]。我们也为我们的实验选择周期性网络因为时间的重要性在网络攻击22顺序帧产生),和帧之间的顺序和时间提供相关信息用于检测攻击。我们将进入我们的以下部分更详细地分类模型。

3.2.1之上。XGBoost(梯度增加)

梯度推进系统构建添加剂模型通过步骤前进的方式,允许任意可微的损失函数的优化。每向前一步,回归树是安装到负二项或多项损失函数的梯度37]。XGBoost代表极端梯度增加(38]。这是一个可扩展的机器学习系统树增加许多系统和算法的优化,比如树学习算法处理稀疏数据,处理实例权重近似树学习或利用核外计算。实施这个方法中,我们使用的是XGBoost Python库(39]。

3.2.2。复发性神经网络

复发性神经网络是神经网络的变体设计高度排序问题。RNN包含提要网络激活周期从先前的时间步作为网络的输入,影响预测在当前时间步。的周期给RNN新的维度,而不是只有输入映射到输出,网络将学习输入输出的映射函数。这类网络的一个主要缺点是训练问题,如梯度和梯度爆炸消失40]。这些问题可以通过神经元的变化,如格勒乌或LSTM细胞。

LSTM复发性网络。LSTM网络有一个独特的配方,可以防止香草RNN的缩放和训练的问题,避免了误差反向传播,炸毁或指数衰减。循环LSTM层由一组连接块,称为内存块的计算单位的LSTM网络(41]。这些细胞是由重量和盖茨。每个内存块包含一个或多个循环地连接记忆细胞和三个乘法单位:输入,输出,和忘记盖茨。盖茨允许流动与细胞相互作用的信息。忘记门和输入门更新内部状态,而输出门最后的限幅器细胞的输出。这些门和一致的数据流称为CEC,或常数误差旋转木马,保持每一个细胞的稳定42]。对于这个网络的实现,我们使用Keras Python框架Tensorflow端,使用GPU处理和一个改进的性能使用Cudnn (CudnnLSTM) [43]。

格勒乌复发性网络。就像LSTM网络,格勒乌网络结构和提高香草RNN的配方。格勒乌首次提出在曹et al。44)作为替代LSTM捕捉不同时间尺度自适应的依赖关系。这些网络的唯一区别是更新CEC的过程。它类似于LSTM但有一个区别,格勒乌单位没有机制来控制曝光,提交这个数据流(45]。这种控制机制的缺乏使得格勒乌单位速度比LSTM更适应时间的变化流(46]。对于这个网络的实现,我们使用Keras Python框架Tensorflow端,使用GPU处理和一个改进的性能使用Cudnn (CudnnGRU) [43]。

3.3。优化方法

SGD方法是迭代的方法用于优化一个目标函数。亚当是基于自适应估计的低阶的时刻。这种方法实现起来比较简单,计算效率和内存需求。它不会改变结果的对角尺度改变梯度和适用于大的问题在数据和/或参数。亚当也适合改变目标和问题非常嘈杂的和/或稀疏的梯度。的hyperparameters这个方法很容易和直观的理解,通常不需要调优47]。根据亚当·纳丹,这是一个亚当版本应用Nesterov动量(48]。我们已经测试了RMSprop,亚当,纳丹,都是随机梯度下降的方法,但我们得到了最好的结果使用纳丹来优化我们的损失。纳丹带来的速度在每个minibatch步骤学习。纳丹给了我们更好的结果,因为我们有一个复杂的网络和更少的时代。我们需要一个更快的损失函数优化学习更多更少的时代,而不用担心快速衰变为过度拟合。

3.4。批正常化

该方法通过标准化工作的一部分模型体系结构和实施规范化步骤为每个minibatch培训。它解决的问题内部协变量转变,由输入层的值的改变在训练。这个问题需要学习率低和仔细的参数初始化和难度训练与饱和非线性模型。批高等标准化允许我们使用利率和少注意初始化。它还可以作为调整,在某些情况下不再需要其他的正则化技术(49]。

3.5。评价指标

指标评估性能的机器学习模型。每一个指标衡量的效率以不同的方式,所以我们使用几个指标模型为了获得一个更精确的视图。

3.5.1。多级对数损失和分类交叉熵

对数损失指标措施分类模型的性能的预测输入是一个概率值在0和1之间。其公式如下:

在哪里是已知的标签和的预测模型。机器学习中对数损失和交叉熵计算错误率在0和1之间时导致同样的事情。熵的公式如下:

如果 , 和 , ,

在这两种情况下都应用了相同的公式。我们可以扩展对数损失多类问题,给定一组真正的标签样本编码为一个1-of-K二进制指标矩阵 ,在哪里 如果样品有标签从一组标签。让是一个矩阵的概率估计, :

3.5.2。多级分类错误率

多级错误率是误分类的百分比由模型:

3.5.3。F-Beta得分

F-beta分数加权调和平均数的精度和召回,获得最佳值1和最严重的值在0。的参数确定的重量精度的综合得分。 1让更多的重量精度,同时 1喜欢回忆。

3.5.4。分类精度

所有预测计算的平均准确率为多级问题是使用以下公式:

3.6。辍学

辍学是用来防止过度拟合。它通过随机删除单位及其连接的神经网络在训练。这可以防止网络单位太多适应问题(50]。

4所示。实验

我们的实验是基于三个数据集,一个每次攻击。加入他们,之前我们平衡每一个他们减少所有的类之间的巨大差异。我们平衡每个数据集的类使用Scikit-learn[提供的重新取样方法51]。一旦所有的数据集都是平衡的,我们把它们放在一起建立一个多级数据集。完整数据集的准备,我们选择最具代表性的功能使用功能(鳍)报告系统重要性。我们的鱼翅算法是一个基于互信息函数的混合方法,它是由两个例程;一个对应于一个过滤器过程(基于minimum-redundancy-maximum-relevance),另一个对应于一个包装的过程,我们使用的一些模型,如支持向量机,决策树,或者随机森林。这种方法面对每个特性对目标数据集的特性。选择最高的价值观给我们每个组数据最重要的特性。之后,我们面对的每一个变量选择成对他们之间,然后删除中价值最高的特性来减少冗余。我们也准备自定义度量F-beta得分。考虑到F-beta公式呈现在纸上,我们选择β= 1增加召回变量的值。 The recall is the amount of data well classified in both parts, referring to the amount of present false positives and negatives. The classifications problems, in networks specifically, have many problems with false positives and negatives, so giving more value to the metric can make it more sensitive to these failures and could give us a more accurate vision. Immediately after that, we prepare the categorical values in order to make it possible to train both recurrent neural networks Box1。

最后,我们组四个步伐LSTM复发和格勒乌网络,将输入转换为张量的样本,步伐和功能框2。

hyperparameter搜索在复发性网络计算昂贵,所以我们选择他们hyperparameters根据日志的训练,增加网络的宽度和长度或增加时期如果underfitted或通过应用一批标准化,辍学或减少长度、宽度,或时代,以减少过度拟合。现在,我们将更详细地描述我们的三种不同的分类方法。

4.1。XGBoost

我们定义XGBoost模型问题,突显出四种类型,我们希望并指定分类树方法和助推器。我们使用一个版本树的方法称为XGBoost fast-histogram算法。快得多,并使用此方法比其他方法更少的内存(52),但它需要一个特定版本的CUDA工作。我们也强调了评价指标,我们希望使用(多级对数损失和多级分类错误率),线程的数量和模型估计的数量。我们应用一个网格搜索三倍交叉验证模型的最佳参数。这些参数我们希望收听盒子3。

这个网格搜索给我们最好的一组参数执行问题的盒子4。

4.2。复发性LSTM

LSTM网络,我们第一次编译的一些参数,设置损失,优化器和度量。我们的损失是一个变种的交叉熵multiclassification称为分类交叉熵。我们使用的是修改的版本的纳丹优化器。我们测试了亚当,RMSprop,纳丹,建立纳丹比亚当和RMSprop更高效的模型。我们设定的指标分类准确性和f值测量模型的准确性和可靠性,设置参数Fbeta-score指标在2盒5。

我们与我们的数据模型,使用一个批处理大小为128和15世纪。我们使用10%的验证来验证培训结果框6。

我们使用一个Encoder-Decoder方法LSTM网络。我们也使用CUDA版本的LSTM细胞从Keras库(43]。为了避免过度拟合,我们使用辍学,设置它的值在0.3和0.4之间根据前一层的大小,和批处理标准化控制爆炸梯度和速度的训练过程盒子7。

4.3。复发性格勒乌

对于我们的格勒乌网络,我们编译参数,设置损失,优化器和度量。我们设置一些格勒乌网参数类似于LSTM网络。我们的损失是一个变种的交叉熵multiclassification称为分类交叉熵。我们使用的是修改的版本的纳丹优化器。LSTM像我们那样,我们测试了两个亚当和纳丹,发现纳丹比亚当为我们的模型更有效。我们设置了分类精度和f值的指标来衡量模型的准确性和可靠性,设置参数F-beta-score指标在2盒8。

我们与我们的数据模型,使用一个批处理大小为256和17世纪。我们使用10%的验证来验证培训结果框9。

我们使用一个线性结构方法格勒乌网络。我们也使用CUDA版本从Keras格勒乌细胞库(43]。为了避免过度拟合,我们使用辍学,设置它的值在0.2和0.3之间根据前一层的大小,和批处理标准化控制爆炸梯度和加快培训过程。因为格勒乌单元的设计,它比LSTM需要更多的时间去学习,尽管它是更快。这同样影响着过度拟合处理,需要更少的辍学值格勒乌网框10。

5。结果与讨论

一旦我们搜索结果XGBoost,我们训练模型,并对我们的数据进行了测试,用下面的结果,详细图2和表1。

我们LSTM和格勒乌网络给我们下面的培训和验证的结果(数据3,4,5,6和表2)。

在我们以前的工作,整体方法给了我们更好的精度比线性方法三个单独的数据集;即。,for DoS, the best accuracy achieved was 0.99377 using a random forest model and Boosting Gradient achieved 0.99373, while SVM achieved 0.99023, taking into account the best two models and the worst. The difference was smaller for DoS, but on intrusion and MitM the difference between these two types of method was higher. Specifically, on intrusion Random Forest and Boosting Gradient they got 0.95294 and 0.95385, respectively, while SVM got 0.93031. The results were similar for intrusion. In our experiments on this paper, XGBoost achieved the highest accuracy. This result confirms that ensemble methods achieve higher accuracies and less loss than other linear models or neural networks such as SVM, GRU, and LSTM for problems involving attacks on IoT networks.

多类分类问题往往比二进制复杂问题,使这些问题得到更好的结果。我们有类似的结果在这两个实验整体模型分类时,我们保持最高的指标和结果。关注我们格勒乌和LSTM模型,我们最好结果整体使用深度学习比用线性模型,但是我们有比服装更糟的结果。LSTM变得更糟的结果比SVM的DoS模型和稍微更好的结果比入侵和MitM SVM模型。格勒乌表现更好,比SVM的DoS恶化的结果,但比SVM入侵和MitM。

即使我们处理不平衡,仍有巨大的类之间的差异。这可能我们模型的准确性在一些负面影响,特别是格勒乌和LSTM。我们能够保持一个好的结果,考虑到问题的排序。

6。结论

近年来物联网系统已经越来越多,预计将大大增加。这些设备的特点使网络技术比传统的异构网络,网络安全提出新的挑战。考虑这样一个事实:id是一个重要的安全屏障,可以快速检测入侵和网络中的安全风险,我们建议模型检测的攻击在物联网环境下,可以为物联网提供面向id。我们使用特定数据集与特定攻击这些系统,专门为MQTT协议。在这种情况下,机器学习技术可用于分类的帧可以分配一个id为攻击或正常。我们选择了LSTM、格勒乌和XGBoost模式分类问题。我们选择这些周期性模型,因为时间和顺序的重要性在网络攻击。我们选择XGBoost因为问题利益分层结构的整体方法的性能,使他们能够达到最高的精度。所有这三种分类方法是非常有效的,GPU实现。整体方法获得最高的结果,和深度学习模型实现更好的结果比线性模型一般,但不如合奏的方法。 These models can be used for future work in which an IDS is fed with a model. This IDS will be implemented in a standard computer similar to the one use for the creation of machine and deep learning models. Thus, the Python model will be deployed in a standard unit with a Port Mirroring from the router.

数据可用性

数据集用于支持本研究的发现是可用的https://joseaveleira.es/dataset。©®reg # le - 229 - 18。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作部分(i)支持西班牙de Ciberseguridad (INCIBE)和发展研究网络安全的应用科学研究所(RIASC);(2)军政府de卡斯蒂利亚y莱昂,LE078G18 Consejeria de Educacion项目。UXXI2018/000149。u - 220。

引用

1. j .绿色“物联网参考模型”,物联网世界论坛,2014年,页1 - 12。视图:谷歌学术搜索
2. m·A . Razzaq s h·吉尔·m·A·库雷希和s . Ullah”物联网的安全问题(物联网):一个全面的研究,“国际期刊《先进的计算机科学和应用程序,8卷,不。6,383年,页2017。视图:谷歌学术搜索
3. c·德卡罗•f•桑切斯Lasheras, f . j . de因为Juez和a . Bernardo桑切斯”缺失的数据归责的问卷通过遗传算法不同的健身功能,“计算和应用数学杂志》上卷,311年,第717 - 704页,2017年。视图:出版商的网站|谷歌学术搜索
4. c . Kolias g . Kambourakis a Stavrou, j .美国之音”物联网的DDoS: mirai和其他僵尸网络,”IEEE计算机协会,50卷,不。7,80 - 84年,2017页。视图:出版商的网站|谷歌学术搜索
5. n Ben-Asher c·冈萨雷斯,“网络安全知识对攻击检测的影响,”计算机在人类行为48岁,5161年。doi: 10.1016 / j.chb . . 01.0392015年,URL的http / /dx.doi.org/10.1016/j.chb.2015.01.039,http://dx.doi.org/10.1016/j.chb.2015.01.039。视图:谷歌学术搜索
6. k . Prabha和美国Sudha IPS调查方法和技术,”计算机科学问题的国际期刊学报》13 (2页中山,卷。13日,2016年,http://ijcsi.org/contents.php。视图:谷歌学术搜索
7. t·哈米德·j·b·恩斯特,s . c·克雷默”调查和分类的入侵检测分类器系统,”URL的诉讼可汗,39卷,p。21日,2018年。视图:谷歌学术搜索
8. r . Perdisci d . Ariu p . Fogla g . Giacinto和w·李,“McPAD:准确payload-based异常检测的多分类器系统,”计算机网络,53卷,不。6,864 - 881年,2009页。视图:出版商的网站|谷歌学术搜索
9. m·h·Bhuyan d . k . Bhattacharyya, j . k . Kalita”为网络入侵检测,生成真实数据集”国际网络安全》杂志上,17卷,不。6,683 - 701年,2015页。视图:谷歌学术搜索
10. s . j .斯多夫知识发现(KDD)杯1999年,URL的http / /kdd.ics.uci.edu/,http://kdd.ics.uci.edu/。
11. m . Tavallaee大肠阿訇,w . Lu和A . A . Ghorbani”KDD 99杯的详细分析的数据集,”第二届IEEE研讨会上计算智能安全与国防应用程序2009年7月,页1 - 6,IEEE,。视图:出版商的网站|谷歌学术搜索
12. m·哈桑·m·纳赛尔,b .朋友,艾哈迈德,“支持向量机和随机森林模型的入侵检测系统(IDS),“《智能学习系统和应用程序,文章ID 9601233, pp。45-52, 2014年,http://file.scirp.org/html/5 _42869.htm——9601233。视图:谷歌学术搜索
13. p·g·尼托,j·A·费尔南德斯f·s . Lasheras f . de Cos和c d . Juez”一项新的改进研究微囊藻毒素的存在从实验trasona水库的蓝藻浓度(西班牙北部)使用火星技术”科学的环境卷,430年,第92 - 88页,2012年。视图:谷歌学术搜索
14. b . Chakrabarty o .钱德,m .万”基于异常的入侵检测系统利用遗传算法和K-centroid集群,”国际期刊的计算机应用程序,卷163,不。11日,北京2017页。视图:出版商的网站|谷歌学术搜索
15. 黄永发。搜索引擎优化和中州。金,机器学习方法来优化击杀比在课堂上不平衡对入侵检测数据集,2018年。
16. j·r·a·r·阿什法克x z . Wang黄z h·阿巴斯和y l .他“基于模糊性semi-supervised入侵检测系统的学习方法,”信息科学卷,378年,第497 - 484页,2017年。视图:出版商的网站|谷歌学术搜索
17. r·辛格·h·库马尔,r·k·Singla”入侵检测系统使用网络流量分析和在线连续极端的学习机器,”专家系统与应用程序,42卷,不。22日,第8624 - 8609页,2015年。视图:出版商的网站|谷歌学术搜索
18. j·d·Kwon h . Kim金姆,s . c . Suh金,金和k . j .,“深上优于网络异常检测的调查。”集群计算。视图:出版商的网站|谷歌学术搜索
19. 马r . y . Li, r .娇,“混合的恶意代码检测方法基于深度学习,”国际期刊的安全性及其应用,9卷,不。5,205 - 216年,2015页。视图:出版商的网站|谷歌学术搜索
20. p·加西亚,j·马丁内斯托雷斯,f . de因为Juez f·桑切斯Lasheras,“使用多元自适应回归样条函数和多层感知器网络评估纸制造使用蓝桉,”应用数学和计算,卷219,不。2、755 - 763年,2012页。视图:出版商的网站|谷歌学术搜索
21. 魏x t、d .香港、y, y,“一个巨大的网络流量数据融合方法基于费舍尔和Auto-Encoder深处,“信息,7卷,不。2,p。2016。视图:出版商的网站|谷歌学术搜索
22. h·l·t·j . Kim星期四,h·金,“长期短期记忆递归神经网络入侵检测分类器,”学报》国际会议平台技术和服务(PlatCon, 2016)2016年,页1 - 5,http://ieeexplore.ieee.org/document/7456805/。视图:谷歌学术搜索
23. Xingshuo, Xianwei周、兴鲁县富宏林和杨Lei“样本选择极端学习机建立入侵检测计算和MEC的雾,“无线通信和移动计算卷,2018篇文章ID 7472095, 10页,2018。视图:出版商的网站|谷歌学术搜索
24. f . Lu和l .王”,基于集成神经网络的入侵检测系统对无线传感器网络来说,“《软件工程,8卷,不。4、225 - 238年,2014页。视图:出版商的网站|谷歌学术搜索
25. 比比Zarpelao, r . s . Miani c . t . Kawakani和s . c . de Alvarenga”物联网的入侵检测,调查”网络和计算机应用》杂志上卷。84年,25-37,2017页。视图:出版商的网站|谷歌学术搜索
26. c . Kolias g . Kambourakis a Stavrou, s . Gritzalis”入侵检测在802.11网络:威胁和公共数据集的经验评估,”IEEE通信调查和教程,18卷,不。1,第208 - 184页,2016。视图:出版商的网站|谷歌学术搜索
27. m . e . Aminanto h . c . Tanuwidjaja p·d·Yoo和k金,“无线入侵检测使用weighted-feature选择神经网络分类器,”《2017年国际研讨会上大数据和信息安全(IWBIS)雅加达,页99 - 104年,2017年9月。视图:出版商的网站|谷歌学术搜索
28. id - 2017 @www.unb.cahttps://www.unb.ca/cic/datasets/ids - 2017. - html,2017年。
29. Z.-Q。秦,X.-K。马,Y.-J。王,“注意力的有效载荷为Web应用程序异常探测器,”神经信息处理的程序程l ., a . c . s .梁和美国小泽,Eds。,Springer, pp. 588–599, Cham, Switzerland, 2018.视图:谷歌学术搜索
30. p . Sethi和s . r . Sarangi物联网:架构、协议和应用程序,2017年。
31. t . Halabi和m . Bellaiche”如何评估防御dos和ddos攻击云计算:一项调查和分类,“国际计算机科学与信息安全杂志(IJCSIS),14卷,不。12日,1 - 10,2016页。视图:谷歌学术搜索
32. 困扰k Palsson, mqtt-malaria@github.com (2018)。https://github.com/remakeelectric/mqtt-malaria。
33. 安迪,b . Rahardjo, b . Hanindhito”攻击场景和MQTT通信协议在物联网系统的安全分析,”诉讼的第四届国际会议上电气工程,计算机科学和信息学,EECSI 201719 - 21,页,IEEE,日惹,印尼,2017。视图:谷歌学术搜索
34. Semenov m·艾哈迈迪·d·乌里扬诺夫,s, m . Trofimov和g . Giacinto”小说特征提取、选择和融合有效恶意软件的家庭分类,”学报第六届ACM会议数据和应用程序安全性和隐私,CODASPY 16ACM,页183 - 194年,纽约,纽约,美国,2016年,http://doi.acm.org/10.1145/2857705.2857713。视图:谷歌学术搜索
35. d . Barradas:桑托斯,l·罗德里格斯,“多媒体的有效检测协议隧道使用机器学习”学报》第27届USENIX安全研讨会(USENIX安全18)USENIX协会,页169 - 185年,巴尔的摩,医学博士,美国,2018年,https://www.usenix.org/conference/usenixsecurity18/presentation/barradas。视图:谷歌学术搜索
36. y Meidan m . Bohadana A Shabtai et al .,“Profiliot:机器学习的方法对物联网设备识别基于网络流量分析”应用研讨会上计算,囊的17所示ACM,页506 - 509年,纽约,纽约,美国,2017年,http://doi.acm.org/10.1145/3019612.doi: 10.1145 / 3019612。视图:谷歌学术搜索
37. j·h·弗里德曼,“贪婪的近似函数:一个梯度增加机器,”统计年鉴卷,29号5,1189 - 1232年,2001页。视图:出版商的网站|谷歌学术搜索|MathSciNet
38. t·陈和c . Guestrin“XGBoost:一个可伸缩的树增加系统”22 ACM SIGKDD学报》国际会议上知识发现和数据挖掘,知识发现(KDD) 20162016年,页785 - 794,https://arxiv.org/abs/1603.02754。视图:谷歌学术搜索
39. XGBoost库,https://xgboost.readthedocs.io/en/latest/tutorials/index.html。
40. r . Pascanu t Mikolov, y Bengio“递归神经网络训练的难度。”https://arxiv.org/abs/1211.5063,2012年。视图:谷歌学术搜索
41. t .慕尼黑,“Framewise音素的分类与双向LSTM和其他神经网络架构,”神经网络,18卷,不。5、文章ID 7647316, 602 - 610年,2004页。视图:谷歌学术搜索
42. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
43. f . Chollet et al .,“Keras: Python深度学习库,”https://keras.io。视图:谷歌学术搜索
44. k .赵b . van Merrienboer c Gulcehre et al .,“学习短语表示使用RNN Encoder-Decoder统计机器翻译,“https://arxiv.org/abs/1406.1078,2014年。视图:谷歌学术搜索
45. j .钟c . Gulcehre k .赵,y Bengio,“封闭的复发性神经网络的经验评估序列建模,”https://arxiv.org/abs/1412.3555,1 - 9页,2014年。视图:谷歌学术搜索
46. k .赵b . van Merrienboer d . Bahdanau y Bengio,”神经机器翻译的性质:Encoder-Decoder方法,”https://arxiv.org/abs/1409.1259, 2014。视图:谷歌学术搜索
47. d . p . Kingma和j .英航亚当:一个随机优化方法,https://arxiv.org/abs/1412.6980v8, 1 - 5页,2015年。视图:MathSciNet
48. g·e·达尔t . n . Sainath g·e·辛顿,“改善深层神经网络使用纠正LVCSR线性单元和辍学”学报》第38届IEEE国际会议音响、演讲,和信号处理(ICASSP 13)2013年5月,页8609 - 8613。视图:出版商的网站|谷歌学术搜索
49. 约飞和c . Szegedy批规范化:加速深层网络培训通过减少内部协变量的转变,http://arxiv.org/abs/1502.03167。
50. a . Agarwal s Negahban, m·j·温赖特”嘈杂的矩阵分解通过凸松弛:最优利率在高维度,“统计年报,40卷,不。2、1171 - 1197年,2012页。视图:出版商的网站|谷歌学术搜索
51. f . Pedregosa g . Varoquaux a Gramfort et al .,“Scikit-learn:机器学习在Python中,”机器学习研究期刊》的研究(JMLR)》12卷,第2830 - 2825页,2011年。视图:谷歌学术搜索|MathSciNet
52. r·米切尔和e·弗兰克“XGBoost算法使用GPU计算加速,”PeerJ计算机科学3卷,2017年,https://peerj.com/articles/cs - 127。视图:谷歌学术搜索

版权

版权©2019赫Alaiz-Moreton et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。