文摘
在最近的几年里,特别为互连网络是利用更多的飞行。FANETs拓扑情形的,物联网节点可在地面上无人机收集信息。由于高移动模式的无人机轻易造成破坏,入侵者部署像DoS / DDoS网络攻击。无人机飞行特设网络使用,卫星和基站的物理结构。IoT-based无人机网络有许多应用程序,包括农业、救援行动,跟踪和监控。然而,DoS / DDoS攻击扰乱整个FANET的行为导致不平衡能量,端到端延迟和丢包。这个研究主要是基于机器学习的详细研究id。同时,认知lightweight-LR方法建模使用UNSW-NB 15集。IoT-based无人机网络介绍使用机器学习来检测可能的安全攻击。队列和数据流量模型是用来实现DT,射频,XGBoost、演算法、装袋和逻辑回归IoT-based无人机网络的环境中。 Logistic regression is the proposed approach which is used to estimate statistical possibility. Overall, experimentation is based on binomial distribution. There exists linear association approach in logistic regression. In comparison with other techniques, logistic regression behaviour is lightweight and low cost. The simulation results presents logistic regression better results in contrast with other techniques. Also, high accuracy is balanced well in optimal way.
1。介绍
集成与FANETs 5 g的无线网络是一个新概念,使用提高覆盖率和减少延迟(1- - - - - -3]。移动ad hoc网络被认为是主要的想法VANET和FANET出现。无人机群或组集体让FANETs [4]。可以有信号或multi-UAVs系统。最初,无人机只是用来收集数据从地面物联网节点(5]。但是,如今,飞行器已经改变了每个人,包括智能农业的动态使用无人机,救援行动,边境监控,和许多更多。
与其它传统领域相比,FANETs成本非常低,可以部署无处不在。无人机的高机动模式限制能量在整个网络。由于FANETs无线连接,物联网扮演重要的角色。尽管存在沟通的两种方式,由负责(空对空)和a2g(空对地)[6]。最近,无线个域网内部(IEEE 802.15.4)提供服务介绍了FANETs安全和远程通信。移动无人机模式影响领域的服务质量(QoS) IoT-based FANETs。在传统的无人机网络存在卫星,地面基站和无人机(7]。
FANET网络需要从网络攻击是安全的减少节点之间连接和中断通信。假数据攻击是一个危险的威胁在远程病人手术或操作(8]。然而,DoS / DDoS安全攻击的帮助下可以很容易地检测到入侵检测系统。各种研究制定在FANETs识别网络攻击被认为是一个主要问题(9]。入侵者/无人机攻击者可以用来窃取数据和果酱潜在链接(10,11]。因此,提出了系统模型将由检测正在进行网络攻击DoS / DDoS和萍被称为dynamic-IDS的死亡。本研究将只在FANETs扩大模拟检测的攻击。此外,拓扑安排FANETs图所示1。研究论文的主要观点如下:(我)机器学习算法如DT,射频,XGBoost,演算法、装袋和利用逻辑回归(2)UNSW-NB 15数据集用于训练和测试数据(3)认知lightweight-LR方法提出了检测攻击(iv)使用机器学习技术制定详细的比较分析
本研究的主要贡献点精致的机器学习算法的概念,用来检测可能的网络攻击。全面研究评估理解之前的想法和建议的解决方案进行比较。UNSW-NB15数据集是利用机器学习分类器的实验和性能分析。
图1阐述了无人机的概念网络使用入侵者的概念。当无人机试图从地面物联网节点收集数据同时攻击者使用部署假数据包导致错过信息。同样,FANET网络提出了使用基站,卫星和无人机。
除此之外,在物联网中使用机器学习技术,特设网络,软件定义网络,和许多其他领域。因此,在利用机器学习的数据集使用特定区域的详细数据。分类器训练或算法正确评估性能。
本文的其余部分与部分结构1由研究的介绍部分在哪里2由简短的文学在过去的数据问题。同样,机器学习算法在部分3和部分4表示该模型。部分5证明了仿真结果。理论分析和未来方向讨论部分6在结论部分解释。
2。相关的调查
在文献部分,限制对传统IDS在其他领域讨论如下。
最初,id是专为马奈,VANET,系统和物联网网络使用容易受到网络威胁,如深坑,DoS / DDoS和豆荚。有时,在网络发起攻击,通常称为天坑。同时,由于DoS / DDoS安全攻击合法用户的其他邻居节点不可用。Abdollahi和Fathi小说IDS实现物联网识别异常的数据包。此外,假警报和错过检测应该减少导致问题在网络12]。
IDS可以实时捕捉异常数据包生活在与离线。KDD cup 99数据集通常是利用机器学习算法来检测受损引起的,因为网络攻击(13]。因此,需要实时IDS FANETs最近出现的技术。
攻击者通过id被广泛使用的方法的识别。因此,通过监测交通网络id通常从网络收集数据。同时,不同入侵的迹象,警报消息需要检测否则物联网网络水平变得慢下来。使用KDD cup 99深学习算法是模拟通过正常,DoS,探测器,R2L, U2R检查精度高。FANET低成本但入侵可以很容易地发生,由于高机动性。此外,本研究阐述了无人机智能入侵检测框架。提出基于签名的IDS FANETs [14]。
洪水袭击减缓FANET网络的整个过程。利用无人机- id - 2020使用单向和双向流数据流量管理(15]。表1提出了不同的id在无人机网络。此外,信息表1主要是关于基于签名的入侵检测系统。各领域的研究进行识别网络攻击。同时,推进数据集是不同的机器学习技术的用于实验。
3所示。机器学习分类器算法
机器学习计算机科学分支中使用的一个术语,大大欲望让计算机“理解”而不立即编程(21,22]。电脑“理解”在机器学习提高实施作业通过“背景。“总的来说,“背景”通常意味着适合信息;因此,没有一个确切的边界在机器学习和统计技术(23]。机器学习技术提供了重要保证复杂问题的答案(24]。一些我们每天使用的应用程序从探索互联网认识到演讲是巨大的进步的实例中创建识别机器学习的保证25]。机器学习有两类:一是监督学习,二是无监督学习。这两个类别将所有分类的结合,和技术集群的26]。监督学习策略包含各种基分类器的组合;而非监督学习策略封闭期望最大化算法聚类技术。此外,使用机器学习技术在不同领域的研究,以提高整体性能。
3.1。决策树
机器学习是学习的方法从广泛的数据集或拖动独特设计通过应用人工智能技术。分类和预测是制定必要的数据类别和使用的策略表明可能的趋势(27]。决策树是一个重要的分类方法在机器学习分类。它通常用于商业、管理和检测欺诈(28]。作为典型的决策树方法,ID3、C4.5,和C5.0方法的值增加了组织,强大的学习能力,和简单的结构。然而,这些方法还不够在功能应用程序(29日]。利用它进行分类时,存在着弯曲的问题选择功能,有更多的重量和管理特性,重量少。决策树是神奇的技术,使任何人确定活动的最合适的方法(30.]。他们开发一个积极有益的安排哪一个可以设置选择和调查这些选择的潜在后果。决策树是用来描述图形发现,可能性,结果与结论和相关事件(31日]。
3.2。随机森林
随机森林是一个独特的方法在机器学习领域,能够解决许多复杂的问题32]。随机森林是一个序列的混合物的树网络分类器。这种方法有许多有用的特性和明显的分类、预测和回归过程(33]。与经典的方法随机森林有许多有用的完整性;因此,这种独特的方法的应用的范围是非常全面的(34]。它是最合适的学习方法。一般来说,这种技术是一种regression-tree方法,采用引导收集和随机化的预测者获得增加的程度预测正确度(35]。这种独特的方法的主要缺点是,一个巨大的数量的树木可以缓慢而不适用于实时预测的方法。一般来说,这些方法是快速的准备,但有点慢预测一旦他们准备(36]。
3.3。极端的梯度增加
极端的XGBoost是一个简短的名字梯度增强技术。它是一个独特的方法,也被称为基于树的策略,提出了监督机器学习领域的组件(下37]。虽然它可以用于分类和回归问题,所有的指令和插图在这种技术指导算法的服务仅供分类(38]。这是一个重要的和可伸缩的梯度使框架的性能。它维持不同的准确操作,涉及恶化,分类,和排名39]。相比普通的梯度增加,XGBoost雇佣的策略创建树的评分相似性和增长选择最合适的节点优惠(40]。
3.4。演算法
提升算法是一个著名的方法在机器学习领域解决复杂的问题。演算法的标准方法是增加的家庭(41]。这种方法有抵制过度拟合的权威。理解这种感觉的秘密是一个迷人的基本学术问题。用于描述通过多个调查统计理论和保证金的方式42]。演方法最好是合适的增强算法,其中最广泛使用和检查,与应用程序在多个领域。也可以利用这种方法来促进执行任何算法用于机器学习(43]。这些方法完成精度在随机事件在一个分类问题。最合适的,因此常见的方法与决策树演算法,并采用一级(44]。
3.5。装袋分类器
装袋是众所周知的整体建筑策略,单个分类器的整体准备在一个单独的引导复制培训集团(45]。目前的结果表明,装袋可以减少训练数据中异常值的影响,尤其是在遥远的观察与更差的可能性(重新取样46]。它也被称为引导聚集,包括单个模型在合奏的声音与意义。促进样本方差,装袋列车系综中的每个模型采用随机标记的训练子集组(47]。作为一个实例,随机森林方法包含随机决策树以及装袋获得特别高,分类精度。装袋试图执行并行学员弱小居民样本,然后有规范的预测(48]。装袋运作通过集成预测通过投票,每一个模型获得等效意义“理想化”解释:模型几个培训组的大小n然后为每个培训组和连接创建一个分类器分类器的预测(49]。
4所示。认知轻量级逻辑回归的方法
逻辑回归的方法是用来估计统计个人独立的变量引用的重要性(可能性50]。它是一种强有力的造型二项式的效果。例如:如果个人搅拌患癌症或不是由携带重量0和1。决策树以及逻辑回归,是非常著名的方法在机器学习领域解决复杂的问题(51]。而不是有这么多优点,决策树往往问题处理变量之间的线性关系以及逻辑回归变量之间的关系问题的影响(52,53]。因此,逻辑回归是轻量级和认知。由于轻量级的行为,LR很容易部署无人机网络。图2介绍了认知lightweight-LR方法的流程图。方程(1)和(2)的逻辑解释线性逻辑回归54]。
图2是关于逻辑回归的详细流程图。最初,训练数据是用来制定和培训每个函数。成本函数用于计算逻辑回归测试总体数据。,测试二进制分类是利用“0”和“1”意味着“的攻击”或“缺乏攻击”很容易被识别。
5。仿真结果
IoT-based无人机网络模拟环境设计的水蟒python。UNSW-NB 15的数据集使用的各种网络攻击如DoS / DDoS,后门,fuzz,利用shellcode,和蠕虫。提到的数据集包含超过二百万条记录。UNSW-NB 15是一个混合的数据集,先进的网络流量数据合并。三个主要问题可以很容易地解决使用低碳足迹等UNSW-NB 15个数据集,数据流量场景,和培训/测试方法。然而,对于重量轻算法所提到的数据集是给更好的结果。二进制分类是利用模拟机器学习技术包括决策树、随机森林,XGBoost,演算法,装袋,逻辑回归55- - - - - -64年]。此外,数据分为训练和测试模块,如下。
5.1。数据训练
图3提供详细的训练数据集的信息。在训练几乎56.06%的数据说明了安全攻击,而“没有攻击44.94%左右。“此外,训练数据集非常平衡由于减少了假警报。
5.2。数据测试
图4显示了数据对测试数据集,其中31.94%的部分是“攻击”的场景。然而,68.06%的数据给信息攻击。
图5描述了细节信息训练和测试数据集。精度高的指标是保持以最佳方式使用UNSW-NB 15集。在精度高,有两个场景,包括攻击或没有攻击。此外,如果将攻击但实际上没有攻击将检测到假阳性。同样,将没有真正的负面攻击,没有攻击可以被识别。
机器学习分类器的总体结果呈现在图6。与其他算法相比逻辑回归表现良好。LR检测安全攻击约82.54%,随机森林71.59%,XG提高49.54%,49.17% DT,装袋44.70%,演算法28.39%左右。另外,图6提供各种机器学习分类器的结果的信息领域的物联网FANETs启用。图7图显示了类似的结果6。
5.3。比较讨论ML-Based id
表2阐述了关于ML-based入侵检测系统的详细比较。基于网络的入侵检测系统的方法被广泛利用。同时,anomaly-based id非常流行的网络攻击检测的方法。在anomaly-IDS技术,一种新的阈值需要设计安全攻击的识别。的概念,基于签名的id必须有一些可能的攻击特征存储在数据库中。虽然hybrid-IDS异常的组合和签名但使用非常少。因此,建议的解决方案是提供更好的可能性来检测网络攻击。此外,表2显示了研究使用不同类型的入侵检测系统的信息。同时,基于机器学习的id被广泛使用在前面的研究。
6。结论
基于机器学习技术在IoT-based无人机部署网络。本研究的主要目的是提出一种新颖的检测异常行为使用机器学习的概念。飞行特设网络是无人机群的组合形成一个网络。FANET结构包括无人机、卫星和地面电台。同时,物联网传感器节点部署在地面和无人机用于收集信息。然而,认知lightweight-LR方法减少了假警报和平衡在IoT-based无人机高精度网络。UNSW-NB 15的数据集是用来检查性能。现在,安全是一个重大关切几乎在每一个领域的研究。FANET-based id的方法用来检测可能的网络攻击。该方法模拟了开销,很容易检测到错误的数据包。 The simulation results shows that logistic regression performed better in comparison with other techniques. The concept of IoT-based UAV networks can be merged with smart cities in near future. In addition, optimization techniques and graph theory will give new directions to this study. Data traffic models and new datasets are the need of futuristic cities.
6.1。未来的方向
在不久的将来,网络将广泛用于无人机飞行的出租车智能城市的概念。因此,人工智能,机器学习,深入学习,联合reinforcement-based学习,学习可以利用智能IDS检测网络攻击。而在智能城市互联网使用的一切都会提前沟通。路由协议和通信标准需要进一步调查。同时,新颖的数据集需要设计将有助于研究人员和科学家为进一步实验(77年- - - - - -79年]。
数据可用性
所有的数据用于支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。