Kone- ja syväoppiminen IoT-laitteiden DDoS-hyökkäyksissä

Abstract

DDoS-hyökkäykset estävät käyttäjien pääsyn jaettuihin palveluihin, ja ne toteutetaan useasti hajautetun IoT-laiteverkon avulla. IoT-laitteiden tietoturva on puutteellinen, joten hyökkääjät hyödyntävät niitä DDoS-hyökkäysten toteuttamiseen. Tutkielmassa tarkastellaan kone- ja syväoppimisen käyttöä DDoS-hyökkäysten havaitsemisessa ja torjunnassa IoT-ympäristössä. Kone- ja syväoppimismenetelmiä käytetään tunkeutumisen havaitsemisjärjestelmien rakentamisessa.

DDoS attacks deny users access to shared services and are often carried out using a distributed network of IoT devices. The security of IoT devices is inadequate, so attackers exploit them to carry out DDoS attacks. The thesis examines the use of machine- and deep learning in detecting and mitigating DDoS attacks in an IoT environment. Machine- and deep learning methods are used to build intrusion detection systems.