La proliferazione dell’Internet delle cose (IoT) dispositivi ha ampliato l'attacco
superficie, che necessitano di efficienti sistemi di rilevamento delle intrusioni (IDS) per rete
protezione. Questo articolo presenta FLARE, un'aggregazione leggera basata su funzionalità
per una valutazione approfondita del rilevamento delle intrusioni IoT per affrontare le sfide di
proteggere gli ambienti IoT attraverso tecniche di aggregazione delle funzionalità. FLARO
utilizza un approccio di elaborazione multistrato, sessione incorporante, fluire, E
aggregazione di dati a finestra scorrevole basata sul tempo per analizzare il comportamento della rete e
acquisire funzionalità vitali dai dati sul traffico di rete IoT. Eseguiamo estesi
valutazioni sui dati IoT generati dal nostro apparato sperimentale di laboratorio
valutare l’efficacia della tecnica di aggregazione proposta. Classificare
attacchi negli IDS IoT, utilizziamo quattro modelli di apprendimento supervisionato e due profondi
modelli di apprendimento. Convalidiamo le prestazioni di questi modelli in termini di
precisione, precisione, richiamo, e punteggio F1. I nostri risultati lo rivelano
incorporando la tecnica di aggregazione FLARE come passo fondamentale nella funzionalità
ingegneria, aiuta a creare una rappresentazione strutturata, e migliora il
prestazioni di modelli end-to-end complessi, rendendolo un passo cruciale nell’IoT IDS
conduttura. I nostri risultati evidenziano il potenziale di FLARE come tecnica preziosa
per migliorare le prestazioni e ridurre i costi computazionali degli IDS end-to-end
implementazioni, promuovendo così sistemi di rilevamento delle intrusioni IoT più robusti.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: