Ein neuartiger SDN-Datensatz für die Intrusion Detection in IoT-Netzwerken

Die Anzahl von Internet-of-Things-(IoT)-Geräten und die damit verbundenen Anwendungsfälle ist in den letzten zehn Jahren aufgrund der rasanten Entwicklung drahtloser Netzwerkinfrastrukturen stark angestiegen. Trotz zahlreicher Vorteile hat die breite Verbreitung von IoT zudem eine große Angriffsfläche geschaffen, die von Cyberkriminellen häufig ausgenutzt wird, was eine Echtzeit- und automatisierte Erkennung sowie Abwehr verschiedener Angriffe im Rahmen des hochvolumigen Netzwerkverkehrs erfordert. Software-Defined Networking (SDN) und maschinelles Lernen (ML)-basierte Intrusion-Detection-Systeme sind effektive Werkzeuge, um schnell auf verschiedene Angriffe in IoT-Netzwerken reagieren zu können. Bisherige Studien zum ML-basierten Intrusion-Detection beschränkten sich jedoch auf Leistungsanalysen von Datensätzen, die vor langer Zeit erstellt wurden und nicht spezifisch für SDN-basierte Umgebungen sind. In diesem Paper stellen wir einen neuartigen Datensatz für die Intrusion-Detection in IoT-Netzwerken vor. Der Datensatz besteht aus zwei Teilen, die statische und dynamische IoT-Netzwerke modellieren, und umfasst jeweils 27,9 Millionen beziehungsweise 30,2 Millionen Datensätze, die neben normalem Netzwerkverkehr auch verschiedene Arten von Cyber-Angriffen enthalten. Der Datensatz wird eine wichtige Ressource für die Forschung zur Intrusion-Detection in SDN-gesteuerten IoT-Netzwerken darstellen, die in zukünftigen Netzwerken mit allgegenwärtiger Vernetzung zunehmend verbreitet sein werden.