Система обнаружения вторжений с использованием извлечения признаков и алгоритмов машинного обучения в Интернете вещей
Intrusion Detection System Using Feature Extraction with Machine Learning Algorithms in IoT
2023-03-29
SCID: 54.1/qwhgnq8z
Discuss with AI
набор данных IEEE Dataportобнаружение вторжений в IoTVGG-16извлечение признаковансамбль стекинга
Figures from the paper
Abstract (AI)
С непрерывным ростом использования устройств Интернета вещей (IoT) повышается интерес к безопасности Интернета, в частности к защите уязвимых устройств от вредоносного трафика. Такие угрозы трудно различать, что обусловливает необходимость применения усовершенствованной системы обнаружения вторжений (IDS). Машинное обучение (ML) является перспективным методом создания интеллектуальных IDS в различных областях, включая IoT. Однако входные данные для моделей ML должны извлекаться из среды IoT с помощью методов извлечения признаков, которые играют существенную роль в показателях обнаружения и точности. Поэтому в настоящем исследовании рассматриваются IDS на основе ML для IoT с учетом различных алгоритмов извлечения признаков в сочетании с несколькими моделями ML. Были оценены несколько средств извлечения признаков, включая фильтры обработки изображений и модели переноса обучения, такие как VGG-16 и DenseNet. Кроме того, с использованием всех исследованных алгоритмов извлечения признаков были оценены несколько алгоритмов машинного обучения, включая случайный лес, метод k ближайших соседей, метод опорных векторов (SVM) и различные ансамблевые модели со стекингом. В исследовании представлена подробная оценка всех комбинированных моделей с использованием набора данных IEEE Dataport. Результаты показали, что сочетание VGG-16 со стекингом обеспечило наивысшую точность — 98,3%.
Key Findings
1
Эксперименты на наборе данных IEEE Dataport показали, что сочетание VGG-16 со стекингом обеспечивает наивысшую точность — 98,3%.
2
Рассматриваются методы извлечения признаков, включая фильтры обработки изображений и модели переноса обучения, в частности VGG-16 и DenseNet.
3
В сочетании с исследованными экстракторами признаков оцениваются случайный лес, метод k ближайших соседей, SVM и стекинговые модели.
4
Результаты показывают, что выбор метода извлечения признаков существенно влияет на эффективность обнаружения вторжений в IoT.
5
В исследовании оцениваются системы обнаружения вторжений для IoT на основе машинного обучения с использованием различных методов извлечения признаков и классификаторов.
Research Object
система обнаружения вторжений на основе машинного обучения в средах Интернета вещей (IoT)
Research Subject
влияние алгоритмов извлечения признаков и комбинаций моделей машинного обучения на точность обнаружения вредоносного трафика
Publication Details
Publication Date
2023-03-29
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest