Генерация данных атак для Интернета вещей с использованием латентной диффузии в системах обнаружения вторжений
Изображение создано Gemini AI
Новое исследование представляет Модель Латентного Диффузии (LDM), предназначенную для увеличения данных атак в системах обнаружения вторжений (IDS), основанных на машинном обучении, адаптированных для IoT-среды. В отличие от традиционных методов, использование LDM значительно улучшает результаты при работе с проблемой дисбаланса классов, достигая значений F1 до 0,99 для атак DDoS и Mirai, одновременно увеличивая разнообразие образцов и сокращая время выборки на 25%. Этот подход может стать революционным шагом в повышении эффективности IDS в реальных приложениях IoT.
Модель Латентной Диффузии Улучшает Обнаружение Вторжений в Средах IoT
Недавние исследования представили Модель Латентной Диффузии (LDM) для увеличения объема данных об атаках в системах обнаружения вторжений (IDS), основанных на машинном обучении, в средах Интернета вещей (IoT). Этот подход значительно улучшает эффективность IDS, устраняя дисбаланс классов между доброкачественным и атакующим трафиком.
Оценка Производительности и Результаты
В исследовании проводились эксперименты с тремя типами атак на IoT: распределенный отказ в обслуживании (DDoS), Mirai и атака "Человек посередине". Тесты оценивали производительность IDS и генеративное качество образцов, созданных с помощью LDM.
- Образцы, созданные с помощью LDM, привели к улучшению производительности IDS, достигнув F1-оценок до 0.99 как для атак DDoS, так и для Mirai.
- LDM последовательно превосходила существующие методы по различным метрикам, включая оценку распределения и зависимостей.
- Качественный анализ показал, что LDM сохраняет критические зависимости признаков при генерации разнообразных образцов.
Эти результаты подчеркивают эффективность использования латентной диффузии для синтетической генерации данных об атаках на IoT, представляя масштабируемое решение для повышения эффективности IDS на основе машинного обучения в защите сред IoT.
Связанные темы:
📰 Первоисточник: https://arxiv.org/abs/2601.16976v1
Все права и авторство принадлежат первоначальному издателю.