Towards Deep-Learning-Driven Intrusion Detection for the Internet of Things.

نحو كشف التسلل القائم على التعلم العميق لإنترنت الأشياء.

Clicks: 354
ID: 88133
2019
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Steady

Ranked #355 of 1,694 articles by views in sensors

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 1,694 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Cyber-attacks on the Internet of Things (IoT) are growing at an alarming rate as devices, applications, and communication networks are becoming increasingly connected and integrated. When attacks on IoT networks go undetected for longer periods, it affects availability of critical systems for end users, increases the number of data breaches and identity theft, drives up the costs and impacts the revenue. It is imperative to detect attacks on IoT systems in near real time to provide effective security and defense. In this paper, we develop an intelligent intrusion-detection system tailored to the IoT environment. Specifically, we use a deep-learning algorithm to detect malicious traffic in IoT networks. The detection solution provides security as a service and facilitates interoperability between various network communication protocols used in IoT. We evaluate our proposed detection framework using both real-network traces for providing a proof of concept, and using simulation for providing evidence of its scalability. Our experimental results confirm that the proposed intrusion-detection system can detect real-world intrusions effectively.
تتزايد الهجمات السيبرانية على إنترنت الأشياء (IoT) بمعدلٍ يُنذر بالخطر، في ظل التنامي المستمر لترابط الأجهزة والتطبيقات وشبكات الاتصال وتكاملها. وعندما تظل الهجمات التي تستهدف شبكات إنترنت الأشياء دون اكتشاف لفترات طويلة، فإن ذلك يؤثر سلباً في توافرية الأنظمة الحيوية للمستخدمين النهائيين، ويزيد من حوادث اختراق البيانات وسرقة الهوية، فضلاً عن ارتفاع التكاليف والتأثير في الإيرادات. لذا، بات من الضروري اكتشاف الهجمات على أنظمة إنترنت الأشياء في الوقت شبه الحقيقي لتوفير حماية ودفاع فعالين. ونُطوّر في هذه الورقة البحثية نظاماً ذكياً لكشف التسلل مُصمماً خصيصاً ليلائم بيئة إنترنت الأشياء؛ وتحديداً، نعتمد خوارزمية للتعلم العميق للكشف عن حركة المرور الضارة في شبكات إنترنت الأشياء. ويُقدّم هذا الحل الأمني الكشف كخدمة (Security as a Service)، كما يُيسّر التشغيل البيني بين مختلف بروتوكولات الاتصال الشبكي المُستخدمة في إنترنت الأشياء. وقد قَيّمنا إطار الكشف المقترح باستخدام كلٍّ من سجلات التتبع لشبكات حقيقية لتقديم إثباتٍ للمفهوم، والمحاكاة لتقديم دليلٍ على قابليته للتوسع. وتؤكد النتائج التجريبية قدرة نظام كشف التسلل المقترح على اكتشاف اختراقات العالم الحقيقي بفعالية.
Reference Key
thamilarasu2019towardssensors Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Thamilarasu, Geethapriya;Chawla, Shiven;
Journal sensors
Year 2019
DOI
E1977
URL
Keywords
Deep learning Machine learning internet of things (iot) security intrusion-detection system (ids)

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.