基于ML或DL的iot ddos detection 文献整理

本文链接：https://blog.csdn.net/dzcera/article/details/124512902

多篇研究集中在利用机器学习算法检测和防御物联网（IoT）和5G网络中的分布式拒绝服务（DDoS）攻击。研究涉及生成自定义数据集，提取网络流量特征如源IP、目标IP、包大小和时间戳等，并使用多种模型如RF、SVM、KNN、CNN等进行训练和测试。通过特征选择和模型优化，如GTO-BSO、深度卡尔曼反向传播神经网络，提高检测效率和准确性，防止过度拟合。这些工作表明机器学习在IoT安全中的重要作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1
Gupta, B. B., et al. “Smart defense against distributed Denial of service attack in IoT networks using supervised learning classifiers.” Computers & Electrical Engineering 98 (2022): 107726.
模型：RF（误报最低）SVM LR KNN DT NB
在这里插入图片描述

数据集：自己生成
通过模拟包含本地路由器的物联网网络，生成包含物联网网络相关功能的数据集
正常流量的消费者物联网设备，以及攻击流量的受损物联网设备。其中包含总共 241,289 个数据包，其中 31,233 个数据包是良性数据包，210,056 个数据包是恶意数据包
特征：
在这里插入图片描述

https://www.sciencedirect.com/science/article/pii/S0045790622000404

2
Aslam, Muhammad, et al. “Adaptive Machine Learning Based Distributed Denial-of-Services Attacks Detection and Mitigation System for SDN-Enabled IoT.” Sensors 22.7 (2022): 2697.
模型：AMLSDM（本文提出的基于自适应机器学习的分类模型） LEDEM CONA
结合EV RF KNN SVM LR NB AMLSDM-EV最优
在这里插入图片描述

数据集：自己生成
在我们的主机 Linux 机器上运行 sFlow-RT 以捕获由 Mininet SDN 网络拓扑生成的网络流量。我们启动前面描述的 DDoS 威胁模型，并通过 sFlow-RT 监控性能变化。然后我们启动基于机器学习的检测模型 collect.sh，它将网络流量分类为正常攻击或 DDoS 攻击
sklearn.model-selection 将数据集拆分为训练集和测试集。

特征
源 IP 速率 (RSIP)：对于给定的目标 IP 地址，此函数显示每单位 tim 的源 IP 数量
流数据包标准差 (SDFP)：这是T周期的数据包数量标准差
流字节标准偏差 (SDFB)：这是T周期标准偏差中的字节数
交换机上的流条目速率 (RFES)：这是每单位时间到交换机的流条目数
The Ratio of Pair-Flow Entries on Switch (RPFES)：T周期内的总流数除以交换机中交互划分的流条目数
https://www.mdpi.com/1424-8220/22/7/2697

3
Wang, Jiushuang, Ying Liu, and Huifen Feng. “IFACNN: efficient DDoS attack detection based on improved firefly algorithm to opt