Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Detección de ataques de botnet mediante un modelo CNN-LSTM para aplicaciones del Internet de las cosas
El Internet de las Cosas (IoT) ha crecido rápidamente y, en la actualidad, es explotado por ataques cibernéticos en dispositivos IoT. Un sistema preciso para identificar ataques maliciosos en el entorno de IoT se ha vuelto muy importante para minimizar los riesgos de seguridad en los dispositivos IoT. Los ataques de botnets se encuentran entre los más graves y extendidos, y amenazan a los dispositivos IoT. Los dispositivos IoT inmóviles presentan una debilidad de seguridad debido a la falta de memoria y resultados computacionales suficientes para una plataforma de seguridad. Además, numerosos sistemas existentes se presentan para encontrar patrones desconocidos en las redes de IoT para mejorar la seguridad. En este estudio, se propuso un algoritmo de aprendizaje profundo híbrido, una red neuronal convolucional y de memoria a corto plazo (CNN-LSTM), para detectar ataques de botnets, específicamente, BASHLITE y Mirai, en nueve dispositivos IoT comerciales. Se realizó una extensa investigación empírica empleando un conjunto de datos N-B
Autores: Alkahtani, Hasan; Aldhyani, Theyazn H. H.
Idioma: Inglés
Editor: Hindawi
Año: 2021
Disponible con Suscripción Virtualpro
Categoría
Licencia
Consultas: 7
Citaciones: Sin citaciones
Hindawi
Security and Communication Networks
Volume , Article ID 3806459, 23 pages
https://doi.org/10.1155/2021/3806459
Alkahtani Hasan1, Aldhyani Theyazn H. H.2
College of Computer Science and Information Technology Saudi Arabia, Community College of Abqaiq Saudi ArabiaAcademic Editor: Meraoumia Abdallah
Contact: @hindawi.com