Neues GAN-Modell erkennt DDoS-Angriffe in IoT-Netzwerken präziser

Die zunehmende Komplexität von IoT-Edge-Netzwerken erschwert die Erkennung von Anomalien, insbesondere bei ausgeklügelten Denial‑of‑Service‑Angriffen und Zero‑Day‑Exploits. Ein neues Forschungsprojekt präsentiert SD‑CGAN, ein Conditional Generative Adversarial Network, das speziell für diese Umgebung entwickelt wurde.

SD‑CGAN kombiniert die Vorteile von CTGAN‑basiertem synthetischem Daten‑Augmentierung mit der Sinkhorn‑Divergenz als geometrisch orientierte Verlustfunktion. Diese Kombination adressiert das Problem der Klassenungleichgewichtigkeit und verbessert die Trainingsstabilität, indem sie Modenkollaps reduziert.

Die Autoren haben das Modell auf Angriffssubsets des CICDDoS2019‑Datensatzes getestet und mit etablierten Deep‑Learning‑ und GAN‑Ansätzen verglichen. Die Ergebnisse zeigen, dass SD‑CGAN höhere Genauigkeit, Präzision, Recall und F1‑Score erzielt, während es gleichzeitig eine effiziente Rechenleistung beibehält, die für den Einsatz in Edge‑IoT‑Umgebungen geeignet ist.

Die Studie unterstreicht das Potenzial von SD‑CGAN als robustes Werkzeug zur frühzeitigen Erkennung von DDoS‑Anomalien in verteilten IoT‑Netzwerken und eröffnet neue Möglichkeiten für die sichere und zuverlässige Verwaltung von Edge‑Computing‑Infrastrukturen.