.png){kind=icon}
返回
Machine learning-based co-resident attack detection for 5G clouded environments
.png){kind=icon}
PRE
AI
DOI：10.1016/j.comnet.2024.111032.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
第五代（5G）网络的云化增强了灵活性和可扩展性，同时引入了新的安全挑战，尤其是共驻威胁。此类攻击利用虚拟化环境，使攻击者能够在与关键5G网络元素虚拟机（VM）相同的物理主机上部署恶意虚拟机，从而发起攻击。现有改进隔离和访问控制的技术成本高昂，而检测异常虚拟机行为的方法已获得研究关注。然而，大多数现有方法依赖虚拟机的静态特征，无法有效捕获攻击者的隐藏行为，导致分类和检测准确率低，且误分类概率高。本文提出了一种基于行为特征向量和机器学习的共驻攻击检测方法。该方法通过整合攻击者的隐蔽行为模式构建行为特征向量，并应用K-means聚类进行用户分类和标记，随后进行人工验证和调整。随后采用贝叶斯技术优化的随机森林（RF）算法进行攻击检测。在Microsoft Azure数据集上的实验结果表明，该方法优于基于静态特征的方法，准确率达到99.48%，显著提升了潜在攻击者的检测能力。未来工作可考虑将该方法整合到更广泛的5G安全框架中，以适应不断演变的威胁环境，进一步提升5G网络的安全性和可靠性。
Keyword:
Co-resident attacks
Behavioral analysis
K-means clustering
Random forests
Attack detection
期刊
IF:
4.6
论文数:
1.7K
被引数:
1.6W
机构
引用论文
.png){kind=icon}
Selection of Best Fit Hardware Performance Counters to Detect Cache Side-Channel Attacks选择最佳匹配的硬件性能计数器以检测缓存侧信道攻击
OAAI
OAAI分享收藏
分享收藏
查看更多内容