KI‑Modelle prognostizieren Malware‑Ausbreitung in drahtlosen Sensor­netzen

In drahtlosen Sensor­netzen fehlt es an epidemiologischen Daten, was die Entwicklung zuverlässiger Vorhersagemodelle für Bedrohungen wie Viren und Würmer erschwert. Um dieses Problem anzugehen, wurde ein agentenbasiertes SEIRV‑Modell (susceptible‑exposed‑infected‑recovered‑vaccinated) eingesetzt, das speziell auf die Eigenschaften von WSNs zugeschnitten ist, etwa Energiegrenzen und Node‑Mobilität.

Mit NetLogos BehaviorSpace und Python wurden zwei synthetische Epidemie‑Datensätze erzeugt und für maschinelles Lernen vorbereitet. Die Aufgabe wurde als Regressionsproblem formuliert, bei dem die Anzahl infizierter und erholter Knoten vorhergesagt werden sollte. Die Modelle wurden anhand von Fehlermaßen und R²‑Werten bewertet, wobei die Trainingsdaten sehr gute Treffer (R² bis 1,000) erzielten, während die Validierungswerte etwas niedriger lagen – ein typisches Ergebnis bei unbekannten Daten.

Unter den getesteten Algorithmen erwiesen sich Random Forest, XGBoost, Entscheidungsbäume und k‑Nearest‑Neighbors als die leistungsstärksten, während Support‑Vector‑Maschinen, lineare Regression, Lasso, Ridge und ElasticNet die schlechtesten Ergebnisse lieferten. Diese Erkenntnisse zeigen, dass komplexere Ensemble‑Methoden besonders gut geeignet sind, die Ausbreitung von Malware in drahtlosen Sensor­netzen vorherzusagen und damit zur Entwicklung effektiver Gegenmaßnahmen beizutragen.