Die Verbreitung des Internets der Dinge (IoT) Geräte hat den Angriff ausgeweitet
Oberfläche, Dies erfordert effiziente Einbruchmeldesysteme (IDS) für Netzwerk
Schutz. In diesem Artikel wird FLARE vorgestellt, eine funktionsbasierte, leichtgewichtige Aggregation
für eine robuste Bewertung der IoT-Intrusion-Detection zur Bewältigung der Herausforderungen von
Sicherung von IoT-Umgebungen durch Feature-Aggregation-Techniken. FLARE
nutzt einen mehrschichtigen Verarbeitungsansatz, Einbindungssitzung, fließen, Und
Zeitbasierte Sliding-Window-Datenaggregation zur Analyse des Netzwerkverhaltens und
Erfassen Sie wichtige Funktionen aus IoT-Netzwerkverkehrsdaten. Wir führen umfangreiche Leistungen durch
Auswertungen zu IoT-Daten, die aus unserem Laborversuchsaufbau generiert wurden
Bewerten Sie die Wirksamkeit der vorgeschlagenen Aggregationstechnik. Zu klassifizieren
Angriffe im IoT-IDS, Wir verwenden vier überwachte Lernmodelle und zwei tiefe
Lernmodelle. Wir validieren die Leistung dieser Modelle im Hinblick auf
Genauigkeit, Präzision, abrufen, und F1-Wertung. Das zeigen unsere Ergebnisse
Einbeziehung der FLARE-Aggregationstechnik als grundlegenden Schritt in die Funktion
Maschinenbau, hilft bei der Erstellung einer strukturierten Darstellung, und verbessert die
Leistung komplexer End-to-End-Modelle, Dies macht es zu einem entscheidenden Schritt im IoT-IDS
Pipeline. Unsere Ergebnisse unterstreichen das Potenzial von FLARE als wertvolle Technik
um die Leistung zu verbessern und die Rechenkosten von End-to-End-IDS zu senken
Implementierungen, Dadurch werden robustere IoT-Intrusion-Detection-Systeme gefördert.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: