Аналіз моделей виявлення вторгнень на основі нейромереж у системах Інтернету речей

Abstract

Стрімкий ріст популярності систем інтернету речей робить проблему підвищення безпеки все більш значущою. Але через те, що більшість сенсорів та виконавчих пристроїв базуються на енергоефективних мікроконтролерах, використання популярних моделей виявлення вторгнень на основі нейромереж практично неможливе для таких пристроїв. Мета даної роботи полягає в аналізі існуючих систем виявлення вторгнень на основі мережевої інформації з точки зору використання в енергоефективних мікроконтролерах з обмеженими обчислювальними можливостями. Отримані наступні результати: переважна більшість досліджень пропонують масштабні моделі нейромереж, які неможливо використати у малих мікроконтролерах. Проводяться тільки дослідження ефективності, але не швидкодії або споживання ресурсів. Але у декількох роботах запропоновано зниження кількості параметрів мережевих протоколів, на основі яких проводиться розпізнавання, та проведено аналіз впливу цього зниження на ефективність розпізнавання. Також визначені найпопулярніші загальнодоступні набори даних, які можна використовувати для порівняння ефективності ви явлення вторгнень. Висновки: моделі нейромереж, які використовують скорочений набір мережевих параметрів для розпізнавання, в поєднанні з оптимізацією обчислень нейромереж є перспективним напрямом подальших досліджень. При використанні загальнодоступних наборів даних можна проводити порівняння з рішеннями, які вже існують. The rapid growth in the popularity of Internet of Things (IoT) systems makes the issue of improving security increasingly important. However, since most sensors and actuators are based on energy-efficient microcontrollers, the use of popular neural network-based intrusion detection models is practically infeasible for such devices. The aim of this work is to analyze existing intrusion detection systems based on network information in terms of their applicability to energy-efficient microcontrollers with limited computational capabilities. The following results were obtained: the vast majority of studies propose large-scale neural network models that cannot be used on small microcontrollers. Most research focuses solely on detection accuracy, without considering performance or resource consumption. However, several studies propose reducing the number of network protocol parameters used for detection, and analyze the impact of this reduction on detection effectiveness. The most popular publicly available datasets suitable for evaluating and comparing intrusion detection efficiency were also identified. Conclusions: neural network models that use a reduced set of network parameters for recognition, combined with neural network computation optimization, represent a promising direction for future research. Publicly available datasets enable comparison with existing solutions.