潜在扩散技术在物联网攻击数据生成中的应用于入侵检测
Gemini AI生成的图像
一项新的研究提出了一种潜在扩散模型（Latent Diffusion Model, LDM），用于在基于机器学习的入侵检测系统（IDS）中增强物联网环境下的攻击数据。与传统方法相比，LDM显著改善了对类别不平衡的性能，对DDoS和Mirai攻击的F1分数高达0.99，同时提高了样本多样性，并将采样时间缩短了25%。这一方法有望在实际物联网应用中大幅提升入侵检测系统的有效性。
潜在扩散模型提升物联网环境中的入侵检测
近期研究引入了一种潜在扩散模型（LDM），用于增强基于机器学习的物联网（IoT）环境中的入侵检测系统（IDS）的攻击数据。这种方法显著改善了IDS的性能，解决了良性流量与攻击流量之间的类别不平衡问题。
性能评估与结果
该研究涉及对三种物联网攻击类型的实验：分布式拒绝服务（DDoS）、Mirai和中间人攻击。测试评估了IDS的下游性能以及LDM生成样本的生成质量。
- 由LDM生成的样本提高了IDS的性能，对于DDoS和Mirai攻击的F1分数最高可达0.99。
- LDM在多项指标上持续优于现有方法，包括分布性和依赖性评估。
- 定性分析表明，LDM在生成多样化样本的同时保留了关键特征的依赖性。
这些结果凸显了使用潜在扩散生成合成物联网攻击数据的有效性，代表了一种可扩展的解决方案，以提升基于机器学习的IDS在保护物联网环境中的有效性。
相关主题：
潜在扩散模型物联网入侵检测系统攻击数据增强类别不平衡
📰 原始来源： https://arxiv.org/abs/2601.16976v1
所有权利和署名均属于原出版商。