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
Md. Milon Islam, Md. Mahmudul Hasan, Md Ishrak Islam Zarif, M. M. A. Hashem
2019-05-20

обнаружение атак в IoTдатчики IoTслучайный лесобнаружение аномалиймашинное обучение
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.
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.

датчики и системы Интернета вещей (IoT) в IoT-инфраструктурах/на объектах IoT

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
Access Type
Author Information
Authors
Md. Milon Islam
Md. Mahmudul Hasan
Md Ishrak Islam Zarif
M. M. A. Hashem
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%