利用AI检测IoT恶意流量

2024-05-05 11:55:23

#前言

目前大量物联网设备及云服务端直接暴露于互联网，这些设备和云服务端存在的漏洞（如：心脏滴血、破壳等漏洞）一旦被利用，可导致设备被控、用户隐私泄露、云服务端数据被窃取等安全风险，甚至会对基础通信网络造成严重影响。为了促进物联网领域的安全研究，研究人员制作了UNSW-NB15数据集，这是一个基于物联网的网络流量数据集，对正常活动和恶意攻击行为进行了不同的分类。本文将基于该数据集，应用AI领域的典型技术，包括决策树、随机森林、逻辑回归、多层感知器等进行检测，希望师傅们可以从中了解AI技术应用于安全领域的典型流程，包括数据预处理、数据转换、交叉验证等，同时提升对物联网安全的新的认识。

#数据集

本次用到的数据集是UNSW-NB15，这是一个基于物联网的网络流量数据集，由新南威尔士大学堪培拉网络靶场实验室的 IXIA PerfectStorm工具创建，用于生成真实现代正常活动和合成当代攻击行为的混合数据集。它们使用tcpdump 工具捕获 100 GB 的原始流量（例如 Pcap 文件）。

该数据集有九种类型的攻击，即 Fuzzers、Analysis、Backdoors、DoS、Exploits、Generic、Reconnaissance、Shellcode 和 Worms，当然为了方便大家使用，已经做了整理，把特征、标签都统计到了csv文件里。

如果希望详细了解该数据集的信息的话，可以参考[2][3][4]论文

该数据集中的一部分被做为训练集和测试集，即 UNSW_NB15_training-set.csv 和 UNSW_NB15_testing-set.csv。训练集中的记录数为 175,341 条记录，测试集中的记录数为 82,332 条记录，分别来自不同攻击类型、恶意和正常数据。

#数据预处理

导入所需库文件

数据集中的数据包括9种攻击类型，分别是Fuzzers, Analysis, Backdoors, DoS, Exploits, Generic, Reconnaissance, Shellcode和Worms。在csv文件最后的一列是标签，0代表郑，1代表攻击

加载训练数据UNSW_NB15_training.csv，检查前5行

可以看到前5行的记录都是正常的

加载数据后我们首先检测是否存在缺失值

面对存在缺失值的情况，最简单的方法就是直接启用包含缺失值的整行和整列

然后看看数据是否平衡，一方面是看9种攻击类型是否平滑（y1指代这方面的标签），一方面是看正常和恶意的数据量是否平衡（y2指代这方面的标签）

结果如下

可以看到数据集并不平滑，不过并不严重，我们继续往下分析

本来是需要手动拆分训练集和测试集的，不过UNSW_NB15已经拆分好了，比率为7:3

训练集和测试集分别在UNSW_NB15_training-set.csv 和 UNSW_NB15_testing-set.csv

如果需要手动拆分的话，使用下面的代码就可以了

我们加载测试集供后续使用

#数据转换

接下来需要转换数据

首先需要确定哪些列是分类数据（categorical）,哪些列是数值数据(numerical)（分类数据也叫qualitative data或是Yes/No data，是定性的，而数值数据是定量的）

分别将其打印

对于分类数据应用OneHotEncoder，将其编码为独热数值数组

对于数值数据应用StandardScaler，通过去除均值和缩放到单位方差来标准化

构造ColumnTransformer对象，在X_train上进行fit即可

每个transformer分别转换x，将结果拼接起来

对测试集也进行同样的处理

转换后的数据不再是dataframe结构，而是类似于数组的结构

我们同样还需要转换y1，y1中一共有9类

我们直接用LabelEncoder就可以了，其用于规范化标签，使处理对象仅包含0和类别数-1 之间的值

截止目前，数据部分已经处理完成了，接下来就是训练模型了

#交叉验证

我们训练模型后，会使用5折交叉验证（cross validation,CV）进行验证，评估模型的指标包括准确率、准确率、召回率、F1 分数、ROC 的 AUC 值；然后使用测试集评估模型看看效果如何

我们以逻辑回归分类器为例

查看交叉验证结果

因为是5折交叉验证，所以每个指标都有5组数据，基本上我们会使用平均值来衡量校验验证的评估结果

比如打印出平均的准确率

#模型测试

在测试集上进行测试

结果如下

precision是精确率，也称作查全率，等于tp/(tp+fp);这是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本

recall是查准率，也称召回率，等于tp/(tp+fn)；这是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了

从计算公式可以看出，其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数

如果看单个指标都过于片面，可以通过f1分数来评估模型性能，f1是recall和precision的加权平均，在上面可以看到在0.64左右

#其他机器学习方法

在sklearn已经实现了很多机器学习模型，我们只需要一条代码就可以换模型，除了逻辑回归之外，还可以试试决策树和随机森林

打印出模型的超参数

然后重复之前的步骤，来看看结果如何

可以看到，随机森林的效果是相对而言比较好的

#多层感知器

以上三个分类器都属于传统的机器学习方法，那么接着我们试试MLP，这是一种前向结构的神经网络。

结果如下

把这四种分类器放在一起看看哪种效果更好

可以看到随机森林的效果还是最好的。这也给我们一个提示，虽然现在深度学习、神经网络

是AI的最火热的技术，但是这并不意味着在所有任务上都是万能的，它们更大的优势是在处理海量数据、复杂任务上，对于一些基础的任务，可能传统的机器学习方法会有更好的效果。

利用AI检测IoT恶意流量

相关推荐