УДОСКОНАЛЕННЯ МЕТОДУ ВИЯВЛЕННЯ АТАК НА MQTT-СЕГМЕНТ IoT-МЕРЕЖІ РОЗУМНОГО БУДИНКУ З АДАПТАЦІЄЮ ДО НОВОЇ МЕРЕЖІ ЗА ЛЕГІТИМНИМ ТРАФІКОМ
DOI:
https://doi.org/10.28925/2663-4023.2026.35.1375Ключові слова:
кібербезпека; Інтернет речей; MQTT; виявлення вторгнень; розумний будинок; IoT-шлюз; перенесення між мережами; калібрування порога.Анотація
Протокол MQTT є основним засобом обміну повідомленнями між сенсорами, виконавчими пристроями та шлюзом розумного будинку, тому атаки на брокер MQTT безпосередньо впливають на доступність і цілісність IoT-системи. Відомі методи виявлення таких атак на основі машинного навчання демонструють точність 99–100 % за умови, що навчання й перевірку виконано на трафіку одного стенда, тоді як на практиці детектор застосовується в мережі, трафік якої не використовувався для навчання, і має працювати за заданого рівня хибних тривог. У статті удосконалено метод виявлення атак на MQTT-сегмент IoT-мережі, який ґрунтується на віконних протокольних ознаках трафіку брокера, незалежних від мережевих ідентифікаторів і абсолютного часу, та на нормуванні ознак і порога рішення за легітимним трафіком цільової мережі без використання її атакувальних міток: ознаки нормуються медіаною й міжквартильним розмахом легітимних калібрувальних вікон, а поріг визначається як порядкова статистика їх оцінок для заданого рівня хибних тривог. Наведено методику дослідження на чотирьох незалежних наборах даних (MQTTset, MQTT-IoT-IDS2020, MQTTEEB-D, MQTT_UAD): відтворення відомих підходів за умовами їх авторів, перевірку пакетних ознак за хронологічного поділу та в іншій мережі, оцінювання удосконаленого методу для 12 пар «мережа навчання – цільова мережа» за рівня хибних тривог 1 %. Середня повнота виявлення атак удосконаленим методом становить 0,710 (медіана 0,905) проти 0,532 для калібрування лише порога, 0,549 для детектора, навченого лише на легітимному трафіку цільової мережі, і не більше 0,124 для пакетних ознак; результат зберігається для розміру вікна 5–30 с і обсягу калібрування 10–50 % часу. Метод реалізовано мовою C як модуль IoT-шлюзу: обробка трафіку триває 180–400 нс на пакет, модель займає 21 КБ.
Завантаження
Посилання
Alasmari, R., & Alhogail, A. A. (2024). Protecting smart-home IoT devices from MQTT attacks: An empirical study of ML-based IDS. IEEE Access, 12, 25993–26004. https://doi.org/10.1109/ACCESS.2024.3367113
Alatram, A., Sikos, L. F., Johnstone, M., Szewczyk, P., & Kang, J. J. (2023). DoS/DDoS-MQTT-IoT: A dataset for evaluating intrusions in IoT networks using the MQTT protocol. Computer Networks, 231, Article 109809. https://doi.org/10.1016/j.comnet.2023.109809
Apruzzese, G., Laskov, P., & Schneider, J. (2023). SoK: Pragmatic assessment of machine learning for network intrusion detection. In 2023 IEEE 8th European Symposium on Security and Privacy (EuroS&P) (pp. 592–614). IEEE. https://doi.org/10.1109/EuroSP57164.2023.00042
Aqachtoul, A., Karam, K., Elamrani, A., Najib, M., Rafalia, N., & Bakhouya, M. (2025). MQTTEEB-D: A real-world IoT cybersecurity dataset for AI-powered threat detection in MQTT networks. Data in Brief, 62, Article 111897. https://doi.org/10.1016/j.dib.2025.111897
Arp, D., Quiring, E., Pendlebury, F., Warnecke, A., Pierazzi, F., Wressnegger, C., Cavallaro, L., & Rieck, K. (2022). Dos and don’ts of machine learning in computer security. In Proceedings of the 31st USENIX Security Symposium (pp. 3971–3988). USENIX Association.
Aveleira-Mata, J., Alaiz-Moretón, H., Bayón-Gutiérrez, M., García-Ordás, M. T., Prieto-Fernández, N., & García-Rodríguez, I. (2025). MQTT_UAD: MQTT Under Attack Dataset. A public dataset for the detection of attacks in IoT networks using MQTT protocol. Data in Brief, 63, Article 112167. https://doi.org/10.1016/j.dib.2025.112167
Cantone, M., Marrocco, C., & Bria, A. (2024). Machine learning in network intrusion detection: A cross-dataset generalization study. IEEE Access, 12, 144489–144508. https://doi.org/10.1109/ACCESS.2024.3472907
Cerasuolo, F., Bovenzi, G., & Pescapè, A. (2026). Cross-network transferability of AI-based network intrusion detection systems in heterogeneous Internet of Things environments. Computer Networks, 286, Article 112434. https://doi.org/10.1016/j.comnet.2026.112434
Dadkhah, S., Neto, E. C. P., Ferreira, R., Molokwu, R. C., Sadeghi, S., & Ghorbani, A. A. (2024). CICIoMT2024: A benchmark dataset for multi-protocol security assessment in IoMT. Internet of Things, 28, Article 101351. https://doi.org/10.1016/j.iot.2024.101351
Flood, R., Engelen, G., Aspinall, D., & Desmet, L. (2024). Bad design smells in benchmark NIDS datasets. In 2024 IEEE 9th European Symposium on Security and Privacy (EuroS&P) (pp. 658–675). IEEE. https://doi.org/10.1109/EuroSP60621.2024.00042
Hindy, H., Bayne, E., Bures, M., Atkinson, R., Tachtatzis, C., & Bellekens, X. (2021). Machine learning based IoT intrusion detection system: An MQTT case study (MQTT-IoT-IDS2020 dataset). In Selected papers from the 12th International Networking Conference (Lecture Notes in Networks and Systems, Vol. 180, pp. 73–84). Springer. https://doi.org/10.1007/978-3-030-64758-2_6
Imran, Zuhairi, M. F., Ali, S. M., Shahid, Z., Alam, M. M., & Su’ud, M. M. (2024). Realtime feature engineering for anomaly detection in IoT based MQTT networks. IEEE Access, 12, 25700–25718. https://doi.org/10.1109/ACCESS.2024.3363889
Khan, M. A., Khan, M. A., Jan, S. U., Ahmad, J., Jamal, S. S., Shah, A. A., Pitropakis, N., & Buchanan, W. J. (2021). A deep learning-based intrusion detection system for MQTT enabled IoT. Sensors, 21(21), Article 7016. https://doi.org/10.3390/s21217016
KouhiRonaghi, A., & Habibi Lashkari, A. (2026). MQTTFlowLyzer: Interpretable TabNet-based flow-level MQTT intrusion detection for IoT. The Journal of Supercomputing, 82(5), Article 334. https://doi.org/10.1007/s11227-026-08485-7
Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation forest. In 2008 Eighth IEEE International Conference on Data Mining (pp. 413–422). IEEE. https://doi.org/10.1109/ICDM.2008.17
Nguyen, X.-H., Nguyen, X.-D., Huynh, H.-H., & Le, K.-H. (2022). Realguard: A lightweight network intrusion detection system for IoT gateways. Sensors, 22(2), Article 432. https://doi.org/10.3390/s22020432
Omotosho, A., Qendah, Y., & Hammer, C. (2023). IDS-MA: Intrusion detection system for IoT MQTT attacks using centralized and federated learning. In 2023 IEEE 47th Annual Computers, Software, and Applications Conference (COMPSAC) (pp. 678–688). IEEE. https://doi.org/10.1109/COMPSAC57700.2023.00093
Roy, U. S., & Minu, M. J. (2026). Unmasking shortcut learning in IoT intrusion detection: A forensic, multi-paradigm evaluation of feature dependence and data leakage [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2609.28725
Ullah, S., Ahmad, J., Khan, M. A., Alshehri, M. S., Boulila, W., Koubaa, A., Jan, S. U., & Iqbal Ch, M. M. (2023). TNN-IDS: Transformer neural network-based intrusion detection system for MQTT-enabled IoT networks. Computer Networks, 237, Article 110072. https://doi.org/10.1016/j.comnet.2023.110072
Vaccari, I., Chiola, G., Aiello, M., Mongelli, M., & Cambiaso, E. (2020). MQTTset, a new dataset for machine learning techniques on MQTT. Sensors, 20(22), Article 6578. https://doi.org/10.3390/s20226578
Nishchemenko, D., & Voloshchuk, O. (2025). Adaptive cleaning of heterogeneous sensor data in smart home systems based on noise classification. Cybersecurity: Education, Science, Technique, 4(28), 740–750. https://doi.org/10.28925/2663-4023.2025.28.844
Zhebka, V. V., Aronov, A. O., Nishchemenko, D. O., & Ananchenko, O. Ye. (2026). Improvement of the multi-objective optimization method for controlling a smart home IoT system, considering cyber risk. Cybersecurity: Education, Science, Technique, 2(34), 820–830. https://doi.org/10.28925/2663-4023.2026.34.1389
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Дмитро Ніщеменко , Наталія Сало, Катерина Нестеренко, Сергій Мамченко
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
