La prolifération de l'Internet des objets (IdO) les appareils ont étendu l'attaque
surface, nécessitant des systèmes de détection d’intrusion efficaces (IDS) pour réseau
protection. Cet article présente FLARE, une agrégation légère basée sur les fonctionnalités
pour une évaluation robuste de la détection des intrusions IoT afin de relever les défis de
sécuriser les environnements IoT grâce à des techniques d'agrégation de fonctionnalités. ÉCLATER
utilise une approche de traitement multicouche, séance d'intégration, couler, et
agrégation de données à fenêtre glissante basée sur le temps pour analyser le comportement du réseau et
capturer des fonctionnalités vitales à partir des données de trafic du réseau IoT. Nous effectuons de vastes
évaluations sur les données IoT générées à partir de notre configuration expérimentale en laboratoire pour
évaluer l’efficacité de la technique d’agrégation proposée. Classer
attaques dans IoT IDS, nous utilisons quatre modèles d'apprentissage supervisé et deux modèles d'apprentissage profond
modèles d'apprentissage. Nous validons les performances de ces modèles en termes de
précision, précision, rappel, et score F1. Nos résultats révèlent que
intégrant la technique d'agrégation FLARE comme étape fondamentale dans la fonctionnalité
ingénierie, aide à établir une représentation structurée, et améliore la
performances de modèles complexes de bout en bout, ce qui en fait une étape cruciale dans l'IoT IDS
pipeline. Nos résultats mettent en évidence le potentiel de FLARE en tant que technique précieuse
pour améliorer les performances et réduire les coûts de calcul de l'IDS de bout en bout
implémentations, favorisant ainsi des systèmes de détection d'intrusion IoT plus robustes.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: