Обнаружение атак и аномалий в датчиках Интернета вещей на объектах Интернета вещей с использованием методов машинного обучения
Attack and anomaly detection in IoT sensors in IoT sites using machine learning approaches
2019-05-20
SCID: 54.1/vykwuqrq
Discuss with AI
обнаружение атак в IoTдатчики IoTслучайный лесобнаружение аномалиймашинное обучение
Figures from the paper
Abstract (AI)
Обнаружение атак и аномалий в инфраструктуре Интернета вещей (IoT) становится все более актуальной задачей в области IoT. По мере расширения применения инфраструктуры IoT во всех сферах угрозы и атаки на эту инфраструктуру также пропорционально возрастают. Отказ в обслуживании, исследование типа данных, вредоносное управление, вредоносная операция, сканирование, шпионаж и неправильная настройка представляют собой примеры атак и аномалий, способных привести к отказу системы IoT. В данной работе сравнивается производительность нескольких моделей машинного обучения для точного прогнозирования атак и аномалий в системах IoT. Использованные алгоритмы машинного обучения (ML) включают логистическую регрессию (LR), метод опорных векторов (SVM), дерево решений (DT), случайный лес (RF) и искусственную нейронную сеть (ANN). Для сравнения производительности использовались следующие метрики: точность, precision, полнота, F1-мера и площадь под кривой рабочих характеристик приемника (ROC). Для моделей дерева решений, случайного леса и искусственной нейронной сети система достигла точности на тестовой выборке 99,4%. Хотя эти методы показали одинаковую точность, другие метрики свидетельствуют о сравнительно более высокой эффективности случайного леса.
Key Findings
1
Дерево решений, случайный лес и искусственная нейронная сеть достигли точности на тестовой выборке 99,4%.
2
Несмотря на одинаковую точность, случайный лес показал сравнительно лучшие результаты по другим метрикам оценки.
3
Модели сравниваются по точности, precision, recall, F1-мере и площади под ROC-кривой.
4
Рассматриваемые угрозы включают отказ в обслуживании, зондирование типов данных, вредоносное управление, вредоносные операции, сканирование, шпионаж и неправильную настройку.
5
В исследовании сравниваются модели логистической регрессии, метода опорных векторов, дерева решений, случайного леса и искусственной нейронной сети для обнаружения атак и аномалий в IoT.
Research Object
датчики и системы Интернета вещей (IoT) в IoT-инфраструктурах/на объектах IoT
Research Subject
эффективность обнаружения и классификации атак и аномалий, включая сравнительную эффективность моделей машинного обучения
Publication Details
Publication Date
2019-05-20
Journal
Publisher
ISSN
Cited by
1008
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest