通过恶意流量检测保护NTN-IoT的安全性：一种多维超图学习方法

《IEEE Internet of Things Journal》：Protect NTN-IoT Security by Malicious Traffic Detection: A Multidimensional Hypergraph Learning Approach

针对非地球物联网（NT-IoT）中加密流量恶意攻击检测的挑战，提出基于超图神经网络的METHGN框架，通过多维特征提取和融合有效提升NTNs安全检测能力。

　　

摘要：

大量的设备以及复杂的需求为确保非地面物联网（NT-IoT）的安全性带来了重大挑战。尽管现有研究提出了防御数据窃取和网络干扰攻击的方法，但仍需更深入地研究NTN中的数据级攻击。此外，网络流量的庞大和多样性给流量建模和特征提取带来了巨大困难。超图神经网络因其在数据建模和特征提取方面的能力而受到了广泛关注。然而，大多数现有的超图神经网络都是为特定应用定制的，无法适应恶意加密流量的检测。为应对这些挑战，我们首先提出了一个基于超图神经网络的恶意加密流量检测框架，以提高NT-IoT的抵御能力，使其能够在无人机、基站和卫星之间进行攻击检测。然后，我们引入了一个多维加密流量超图网络（METHGN）。METHGN使用超图从网络、连接和时间维度对加密流量进行建模，并利用超图卷积网络提取和融合特征。我们对IoT和The Onion Router Network的加密流量数据集进行了不同的分类任务实验，实验结果证明了我们方法的有效性和优越性。

引言

随着物联网（IoT）技术的进步，地面网络中的设备数量呈指数级增长[1]。此外，从5G到6G网络的过渡预计将导致IoT设备数量急剧增加。根据总结[2]，到2025年，将有至少240亿个物理设备连接到网络。非地面网络（NTNs）在IoT场景中得到了广泛的研究和应用[3]，这增强了IoT系统的服务能力[4]。第三代合作伙伴项目（3GPP）已经定义了适用于NTNs的参考场景、架构和用户设备能力[5]、[6]。NTNs可以作为中间网络层，通过将非地面组件集成到通信基础设施中来帮助IoT系统满足复杂的网络需求[7]、[8]，包括减轻地面链路的负担和内容缓存。一些研究人员还提出使用配备中继的无人机为远程节点提供通信链接，或作为空中基站为边缘用户提供可靠的通信服务[9]。此外，卫星-地面基站集成（即卫星通过馈线链路与地面基站交互以分配任务）也是另一种流行的解决方案[4]、[10]。随着NTNs的持续发展，其安全问题越来越受到关注[11]。NTNs复杂的网络架构扩大了加密流量的攻击面，而庞大的数据量使得准确检测攻击变得越来越具有挑战性。