Đánh giá hiệu suất của các kỹ thuật học sâu trong việc phát hiện các cuộc tấn công từ chối dịch vụ trong mạng cảm biến không dây
Tóm tắt
Mạng cảm biến không dây (WSNs) ngày càng được sử dụng cho mục đích giám sát và thu thập dữ liệu. Thông thường, chúng bao gồm một số lượng lớn các nút cảm biến được sử dụng từ xa để thu thập dữ liệu về các hoạt động và điều kiện của một khu vực cụ thể, chẳng hạn như nhiệt độ, áp suất, chuyển động. Mỗi nút cảm biến thường nhỏ, rẻ và tương đối dễ triển khai so với các phương pháp cảm biến khác. Vì lý do này, WSNs được áp dụng trong một loạt các ứng dụng và ngành công nghiệp. Tuy nhiên, WSNs dễ bị tổn thương trước nhiều loại mối đe dọa và tấn công an ninh khác nhau. Nguyên nhân chủ yếu là do chúng rất hạn chế về tài nguyên như điện, bộ nhớ, băng thông và công suất xử lý, mà lẽ ra có thể được sử dụng để phát triển các phương tiện phòng thủ. Để đảm bảo an ninh cho chúng, một hệ thống phát hiện xâm nhập (IDS) hiệu quả cần được triển khai để phát hiện các cuộc tấn công này ngay cả dưới những ràng buộc này. Hiện nay, các IDS truyền thống kém hiệu quả hơn khi các cuộc tấn công độc hại này ngày càng trở nên thông minh, thường xuyên và phức tạp hơn. Cuộc tấn công từ chối dịch vụ (DoS) là một trong những loại tấn công chính đe dọa WSNs. Chính vì lý do này, chúng tôi xem xét các công trình liên quan tập trung vào việc phát hiện các cuộc tấn công DoS trong WSN. Ngoài ra, chúng tôi đã phát triển và triển khai một số IDS dựa trên học sâu (DL). Các hệ thống này đã được đào tạo trên một tập dữ liệu chuyên biệt cho WSNs có tên là WSN-DS nhằm phát hiện bốn loại cuộc tấn công DoS ảnh hưởng đến WSNs. Chúng bao gồm các cuộc tấn công Blackhole, Grayhole, Flooding và Scheduling. Cuối cùng, chúng tôi đã đánh giá và so sánh các kết quả và thảo luận về các công việc có thể trong tương lai.
Từ khóa
Tài liệu tham khảo
França RP, Iano Y, Monteiro ACB, Arthur R. Intelligent applications of wsn in the world: a technological and literary background. In: Handbook of Wireless Sensor Networks: Issues and Challenges in Current Scenario’s, Springer, 2020; pp. 13–34.
Haseeb K, Ud Din I, Almogren A, Islam N. An energy efficient and secure iot-based wsn framework: an application to smart agriculture. Sensors. 2020;20(7):2081.
Bhushan B, Sahoo G. Recent advances in attacks, technical challenges, vulnerabilities and their countermeasures in wireless sensor networks. Wireless Pers Commun. 2018;98(2):2037–77.
Kim J, Kim J, Kim H, Shim M, Choi E. Cnn-based network intrusion detection against denial-of-service attacks. Electronics. 2020;9(6):916.
Stolfo SJ, Fan W, Lee W, Prodromidis A, Chan PK. Cost-based modeling for fraud and intrusion detection: Results from the jam project. In: Proceedings DARPA Information Survivability Conference and Exposition. DISCEX’00, 2000;2: 130–144 IEEE.
Sharafaldin I, Lashkari AH, Ghorbani AA. Toward generating a new intrusion detection dataset and intrusion traffic characterization. ICISSp. 2018;1:108–16.
Sabeel U, Heydari SS, Mohanka H, Bendhaou Y, Elgazzar K, El-Khatib K. Evaluation of deep learning in detecting unknown network attacks. In: 2019 International Conference on Smart Applications, Communications and Networking (SmartNets), 2019; pp. 1–6. IEEE.
Lee B, Amaresh S, Green C, Engels D. Comparative study of deep learning models for network intrusion detection. SMU Data Science Review. 2018;1(1):8.
Wu P, Guo H, Buckland R. A transfer learning approach for network intrusion detection. In: 2019 IEEE 4th International Conference on Big Data Analytics (ICBDA), 2019; pp. 281–285. IEEE.
Moustafa N, Slay J. Unsw-nb15: a comprehensive data set for network intrusion detection systems (unsw-nb15 network data set). In: 2015 Military Communications and Information Systems Conference (MilCIS), 2015; pp. 1–6 . IEEE.
Almomani IM, Alenezi M. Efficient denial of service attacks detection in wireless sensor networks. J Inf Sci Eng. 2018;34(4):977–1000.
Vinayakumar R, Alazab M, Soman K, Poornachandran P, Al-Nemrat A, Venkatraman S. Deep learning approach for intelligent intrusion detection system. IEEE Access. 2019;7:41525–50.
Park T, Cho D, Kim H, et al: An effective classification for dos attacks in wireless sensor networks. In: 2018 Tenth International Conference on Ubiquitous and Future Networks (ICUFN), 2018; pp. 689–692. IEEE.
Abdullah MA, Alsolami BM, Alyahya HM, Alotibi MH. Retracted: intrusion detection of dos attacks in wsns using classification techniques. J Fundam Appl Sci. 2018;10(4S):298–303.
Premkumar M, Sundararajan T. Dldm: deep learning-based defense mechanism for denial of service attacks in wireless sensor networks. Microprocess Microsyst. 2020;79: 103278.
Asad M, Asim M, Javed T, Beg MO, Mujtaba H, Abbas S. Deepdetect: detection of distributed denial of service attacks using deep learning. Comput J. 2020;63(7):983–94.
Loukas G, Vuong T, Heartfield R, Sakellari G, Yoon Y, Gan D. Cloud-based cyber-physical intrusion detection for vehicles using deep learning. Ieee Access. 2017;6:3491–508.
Shaaban AR, Abd-Elwanis E, Hussein M. Ddos attack detection and classification via convolutional neural network (cnn). In: 2019 Ninth International Conference on Intelligent Computing and Information Systems (ICICIS), 2019; pp. 233–238. IEEE.
Wazirali R, Ahmad R. Machine learning approaches to detect dos and their effect on wsns lifetime. CMC-Comput Mat Contin. 2021;70(3):4921–46.
Salmi S, Oughdir L. Cnn-lstm based approach for dos attacks detection in wireless sensor networks. Int J Adv Comput Sci Appl. 2022;13(4).
Deshpande S, Gujarathi J, Chandre P, Nerkar P. A comparative analysis of machine deep learning algorithms for intrusion detection in wsn. In: Security Issues and Privacy Threats in Smart Ubiquitous Computing, 2021; pp. 173–193. Springer.
Gunduz S, Arslan B, Demirci M. A review of machine learning solutions to denial-of-services attacks in wireless sensor networks. In: 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA), 2015; pp. 150–155. IEEE.
Sharafaldin I, Lashkari AH, Hakak S, Ghorbani AA. Developing realistic distributed denial of service (ddos) attack dataset and taxonomy. In: 2019 International Carnahan Conference on Security Technology (ICCST), 2019; pp. 1–8 . IEEE.
Sbai O, El boukhari M. Data flooding intrusion detection system for manets using deep learning approach. In: Proceedings of the 13th International Conference on Intelligent Systems: Theories and Applications, 2020; pp. 1–5.
de Assis MV, Carvalho LF, Rodrigues JJ, Lloret J, Proença ML Jr. Near real-time security system applied to sdn environments in iot networks using convolutional neural network. Comput Electric Eng. 2020;86: 106738.
Hussain F, Abbas SG, Husnain M, Fayyaz UU, Shahzad F, Shah GA. Iot dos and ddos attack detection using resnet. In: 2020 IEEE 23rd International Multitopic Conference (INMIC), 2020; pp. 1–6. IEEE.
Shurman MM, Khrais RM, Yateem AA, et al. Dos and ddos attack detection using deep learning and ids. Int Arab J Inf Technol. 2020;17(4A):655–61.
Elsayed MS, Le-Khac N-A, Dev S, Jurcut AD. Ddosnet: A deep-learning model for detecting network attacks. In: 2020 IEEE 21st International Symposium On” A World of Wireless, Mobile and Multimedia Networks” (WoWMoM), 2020; pp. 391–396. IEEE.
Amaizu GC, Nwakanma CI, Bhardwaj S, Lee J, Kim D-S. Composite and efficient ddos attack detection framework for b5g networks. Comput Netw. 2021;188: 107871.
Cil AE, Yildiz K, Buldu A. Detection of ddos attacks with feed forward based deep neural network model. Expert Syst Appl. 2021;169: 114520.
Assis MV, Carvalho LF, Lloret J, Proença ML Jr. A gru deep learning system against attacks in software defined networks. J Netw Comput Appl. 2021;177: 102942.
Ring M, Wunderlich S, Scheuring D, Landes D, Hotho A. A survey of network-based intrusion detection data sets. Comput Security. 2019;86:147–67.
Protić DD. Review of kdd cup ‘99, nsl-kdd and kyoto 2006+ datasets. Vojnotehnički glasnik/Military Technical Courier. 2018;66(3):580–96.
Amma NGB, Subramanian S. Vcdeepfl: Vector convolutional deep feature learning approach for identification of known and unknown denial of service attacks. In: TENCON 2018-2018 IEEE Region 10 Conference, 2018; pp. 0640–0645. IEEE.
Kasim Ö. An efficient and robust deep learning based network anomaly detection against distributed denial of service attacks. Comput Netw. 2020;180: 107390.
Bhardwaj A, Mangat V, Vig R. Hyperband tuned deep neural network with well posed stacked sparse autoencoder for detection of ddos attacks in cloud. IEEE Access. 2020;8:181916–29.
Ashoor AS, Gore S. Importance of intrusion detection system (ids). Int J Sci Eng Res. 2011;2(1):1–4.
Krishna VR, Subhashini R. Mimicking attack detection at hybrid level. EAI Endorsed Trans Energy Web. 2020;7(30):9–9.
Wang Q, Balasingham I. Wireless sensor networks-an introduction. Wireless sensor networks: application-centric design, 2010; 1–14.
Zhao Z, Xu K, Hui G, Hu L. An energy-efficient clustering routing protocol for wireless sensor networks based on agnes with balanced energy consumption optimization. Sensors. 2018;18(11):3938.
Zheng J, Jamalipour A. Introduction to wireless sensor networks. Wirel Sensor Netw Networking Perspect. 2009;1:1–18.
Kaplantzis S, Shilton A, Mani N, Sekercioglu YA. Detecting selective forwarding attacks in wireless sensor networks using support vector machines. In: 2007 3rd International Conference on Intelligent Sensors, Sensor Networks and Information, 2007; pp. 335–340. IEEE.
Wood AD, Stankovic JA. A taxonomy for denial-of-service attacks in wireless sensor networks. Handbook of sensor networks: compact wireless and wired sensing systems. 2004;739:763.
Almomani I, Al-Kasasbeh B, Al-Akhras M. Wsn-ds: a dataset for intrusion detection systems in wireless sensor networks. J Sens 2016;2016.
Al-Shalabi M, Anbar M, Wan T-C, Khasawneh A. Variants of the low-energy adaptive clustering hierarchy protocol: survey, issues and challenges. Electronics. 2018;7(8):136.
Gholamy A, Kreinovich V, Kosheleva O. Why 70/30 or 80/20 relation between training and testing sets: a pedagogical explanation. 2018.