Гибридный подход к объединению признаков для многоклассового обнаружения вторжений в сетях Wi-Fi с использованием классического машинного обучения

Сети Wi-Fi стали фундаментальным компонентом сред Интернета вещей (IoT), однако их открытый и совместно используемый характер также подвергает их воздействию широкого спектра кибератак. В настоящем исследовании рассматривается применение конструирования признаков временных рядов в сочетании с классическими методами машинного обучения для многоклассового обнаружения вторжений в сетях Wi-Fi с использованием набора данных AWID3. Сетевой трафик сегментируется на блоки многомерных временных рядов для учета временных характеристик беспроводной связи. На основе этих сегментов формируются два взаимодополняющих представления признаков: статистические дескрипторы, обеспечивающие интерпретируемость, и признаки на основе сверточной нейронной сети (CNN), отражающие пространственные и временные закономерности. Предложенная схема оценивается с использованием метода k ближайших соседей, метода опорных векторов, XGBoost и ансамблевых классификаторов с голосованием в рамках 24 экспериментальных конфигураций с учетом различной длины последовательностей и стратегий извлечения признаков. Результаты экспериментов показывают, что классические модели машинного обучения, особенно XGBoost в сочетании со статистическими признаками временных рядов, обеспечивают высокую эффективность в задаче обнаружения вторжений 14 классов: точность и F1-мера превышают 0,98. Полученные результаты демонстрируют, что тщательно разработанные представления признаков в сочетании с хорошо зарекомендовавшими себя классификаторами могут обеспечить эффективное и вычислительно экономичное решение для практических сценариев обнаружения вторжений в сетях Wi-Fi.