Generazione di Dati sugli Attacchi per Internet of Things tramite Diffusione Latente nell'Intrusion Detection
Immagine generata da Gemini AI
Un nuovo studio presenta un Modello di Diffusione Latente (LDM) per l'ampliamento dei dati di attacco nei Sistemi di Rilevamento delle Intrusioni (IDS) basati su Machine Learning, specificamente progettati per ambienti IoT. Rispetto ai metodi tradizionali, il LDM offre un miglioramento significativo delle prestazioni in presenza di squilibrio tra le classi, raggiungendo punteggi F1 fino a 0,99 per attacchi DDoS e Mirai, oltre a migliorare la diversità dei campioni e ridurre il tempo di campionamento del 25%. Questo approccio potrebbe rappresentare una vera e propria svolta nel migliorare l'efficacia degli IDS nelle applicazioni IoT del mondo reale.
Il Modello di Diffusione Latente Migliora il Rilevamento delle Intrusioni negli Ambienti IoT
Ricerche recenti hanno introdotto un Modello di Diffusione Latente (LDM) per aumentare i dati sugli attacchi nei Sistemi di Rilevamento delle Intrusioni (IDS) basati su Machine Learning negli ambienti di Internet delle Cose (IoT). Questo approccio migliora significativamente le prestazioni degli IDS, affrontando gli squilibri di classe tra il traffico benigno e quello di attacco.
Valutazione delle Prestazioni e Risultati
La ricerca ha coinvolto esperimenti con tre tipi di attacchi IoT: Denial-of-Service Distribuito (DDoS), Mirai e Man-in-the-Middle. I test hanno valutato le prestazioni downstream degli IDS e la qualità generativa dei campioni prodotti dal LDM.
- I campioni generati dal LDM hanno portato a prestazioni migliorate degli IDS, raggiungendo punteggi F1 fino a 0.99 sia per gli attacchi DDoS che per quelli Mirai.
- Il LDM ha costantemente superato i metodi esistenti in vari parametri, inclusi quelli di valutazione distribuzionale e basati su dipendenze.
- Analisi qualitative hanno indicato che il LDM preserva le dipendenze delle caratteristiche critiche pur generando campioni diversificati.
Questi risultati sottolineano l'efficacia dell'uso della diffusione latente per la generazione di dati sugli attacchi IoT sintetici, rappresentando una soluzione scalabile per migliorare l'efficacia degli IDS basati su ML nella protezione degli ambienti IoT.
Argomenti correlati:
📰 Fonte originale: https://arxiv.org/abs/2601.16976v1
Tutti i diritti e i crediti appartengono all'editore originale.