Analysis of Machine Learning Classifiers for Early Detection of DDoS Attacks on IoT Devices

Der Artikel geht auf das kritische Thema der DDoS-Angriffe auf IoT-Geräte ein und betont die Notwendigkeit robuster Sicherheitsmaßnahmen im schnell wachsenden IoT-Ökosystem. Er diskutiert die verschiedenen Arten von DDoS-Angriffen, einschließlich volumenbasierter, protokollbasierter und Anwendungsschichtangriffe, und beleuchtet die Herausforderungen, die von der zunehmenden Anzahl von IoT-Geräten ausgehen. Die Autoren schlagen eine hybride Methodik zur Früherkennung von DDoS-Angriffen mittels maschineller Lernklassifikatoren und Feature-Select-Techniken vor. Die Methodik umfasst die Anwendung von Klassifikatoren für maschinelles Lernen auf den CICDDos2019-Datensatz und die Optimierung der Funktionsauswahl, um eine hohe Genauigkeit zu erreichen. Der Artikel vergleicht auch die Leistung verschiedener maschineller Lernalgorithmen und Methoden zur Featureauswahl und kommt zu dem Schluss, dass XGBoost mit ANOVA-Feature-Auswahl die höchste Genauigkeit bietet. Die Studie unterstreicht die Bedeutung der Integration von Sicherheitsmaßnahmen in den frühen Stadien der IoT-Geräteentwicklung und der Automatisierung des Erkennungsprozesses, um die sich entwickelnde Bedrohungslandschaft zu bekämpfen.