A Game Theoretic Model for Strategic Defence Selection Against DDoS Attacks in IoT Networks
Notice bibliographique
Résumé
The rapid integration of the Internet of Things (IoT) into various systems, driven by advanced sensor networks, has dramatically improved real-time data monitoring and overall management across multiple industries. However, this integration also exposes IoT networks to various security vulnerabilities, mainly Distributed Denial of Service (DDoS) attacks, which can severely disrupt many services. Therefore, it is necessary to develop robust defence strategies for IoT networks. Traditional security measures often need to consider the strategic aspects of cybersecurity, where quick and precise decision-making is crucial. Given the adversarial nature of the interactions between attackers and defenders, selecting the most effective defence strategy to maximize benefits remains a challenge. To address this issue, this paper introduces the DDoS Defence Strategy Model (DDSM), which strategically uses game theory to select optimal defence mechanisms in IoT networks. The model dynamically adapts defence strategies based on the intensity and characteristics of the attack, optimizing the deployment of high-interaction and low-interaction honeypots and rate-limiting mechanisms. The DDSM model uses a gradient-based approach to achieve Nash equilibrium, adapting to evolving attack patterns to ensure efficient resource utilization and reduce operational overhead. The simulation results confirm the effectiveness of the model in selecting optimal defence strategies and maximizing defensive payoffs. The DDSM game model is designed to find the best combination of defences for IoT networks against high- and low-volume DDoS attacks, ensuring the continued availability of critical services.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».