摘要：CICIoT2023是由加拿大网络安全研究所（Canadian Institute for Cybersecurity, CIC）创建的大规模真实物联网入侵检测数据集，旨在支持IoT领域的安全分析和机器学习研究。
数据集概述
CICIoT2023是由加拿大网络安全研究所（Canadian Institute for Cybersecurity, CIC）创建的大规模真实物联网入侵检测数据集，旨在支持IoT领域的安全分析和机器学习研究。该数据集在包含105台不同类型和制造商的真实IoT设备（包括智能家居设备和工业设备）的测试平台上采集，涵盖33种不同类型的攻击，归类为7个主要攻击类别：分布式拒绝服务（DDoS）、拒绝服务（DoS）、侦察攻击（Recon）、Web攻击、暴力破解（Brute Force）、欺骗攻击（Spoofing）和Mirai僵尸网络攻击。测试平台配置了复杂的网络拓扑以模拟真实世界条件，记录了恶意IoT设备对其他IoT目标发起攻击时的网络流量，数据集同时包含正常流量和恶意流量，旨在解决以往IoT安全数据集在多样性和规模上的不足，为入侵检测系统评估和IoT网络安全研究提供强健的基准测试平台。
数据结构与关键特征
数据集以多种格式存储网络流量数据，支持传统机器学习和深度学习模型的特征提取。流量数据包含正常行为基线（benign traffic）和33种攻击类型的恶意流量，攻击类别涵盖：DDoS攻击（UDP flood、SYN flood、HTTP flood等变种）、DoS攻击（单源资源耗尽）、侦察攻击（端口扫描、主机发现、服务枚举）、Web攻击（SQL注入、XSS、命令注入）、暴力破解（SSH/Telnet/FTP密码爆破）、欺骗攻击（ARP欺骗、DNS欺骗）和Mirai僵尸网络攻击（利用IoT设备默认凭据的自动化传播）。数据集特征包括网络层特征（IP地址、端口号、协议类型）、传输层特征（TCP标志位、包大小、流持续时间）、应用层特征（HTTP请求模式、payload特征）以及IoT特定特征（设备类型标识、通信模式、异常行为指标），105台真实设备覆盖多个制造商和设备类别（智能摄像头、智能插座、传感器、智能门锁、工业控制器等），反映了IoT生态系统的异构性和协议多样性（MQTT、CoAP、Zigbee、Z-Wave等）。
应用价值与研究方向
该数据集为IoT网络安全防护提供了大规模真实攻击场景基准，可直接应用于入侵检测系统开发、异常流量识别、攻击类型分类和威胁情报生成。技术层面支持传统机器学习（随机森林、SVM、XGBoost）和深度学习（CNN、LSTM、Transformer）性能对比、特征工程优化以及类别不平衡学习方法验证（SMOTE、代价敏感学习）。研究方向包括：轻量级入侵检测模型开发（适配资源受限的IoT设备）、零日攻击检测（异常检测识别未知模式）、多阶段攻击链重建、跨设备类型泛化性研究、联邦学习在分布式IoT环境中的应用、可解释性AI生成攻击特征分析、以及IoT僵尸网络传播动力学建模，数据集的大规模真实设备基础和33种攻击类型覆盖还为网络取证、威胁狩猎、SOC自动化和IoT安全标准制定提供决策支持，配套Sensors期刊论文提供详细方法学，促进IoT安全研究的可重复性和规范化。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-284
文件大小：1.3G
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)