Verbesserung der Sicherheit des Internets der Dinge: Evaluierung von maschinellen Lernklassifikatoren zur Vorhersage von Angriffen

Das Internet der Dinge (IoT) hat zur Verbesserung der Servicequalität und der Betriebseffizienz in vielen Bereichen, wie z. B. smarten Städten, beigetragen, aber diese Technologie hat mit einem großen Dilemma zu kämpfen: dem Problem der Cyberangriffe verschiedener Art. In dieser Studie stützten wir uns auf die Anwendung von Techniken des maschinellen Lernens (ML) und des tiefen Lernens (DL), um ein vorgeschlagenes Modell eines Intrusion Detection Systems (IDS) zur Erkennung verschiedener Arten von IoT-Angriffen, die ARPₚoisoning, DOSSYNHping, MQTTPublish, NMAPFINSCAN, NMAPOSDETECTION und ThingSpeak umfassen, vorzustellen. Das vorgeschlagene Modell wurde jedoch mit den Orange3-Datenanalysetools entwickelt. Das Modell besteht aus Klassifikatoren wie Random Forest (RF), künstlichem neuronalen Netzwerk (ANN), logistischer Regression (LR) und Support Vector Machines (SVM). Auf der anderen Seite wurde der verwendete Datensatz von der Echtzeit-IoT-Infrastruktur-Datenbank der Kaggle-Plattform, genannt RT-IoT2022, bezogen. Der Datensatz besteht aus einer riesigen Anzahl von Datensätzen, die verarbeitet und dann auf 7.481 Datensätze durch lineare Diskriminanzanalyse reduziert wurden. In der nächsten Phase wird der Datensatz an das Orange3-Datenanalysetool übergeben, das in 70 % des Trainingsdatensatzes und 30 % des Testdatensatzes unterteilt wird, zusätzlich zur Verwendung von Kreuzvalidierung, um die Genauigkeit zu erhöhen und Overfitting zu vermeiden. Die experimentellen Ergebnisse zeigten somit die Überlegenheit von RF mit einer Klassifikationsgenauigkeit von (99,9 %), während die Genauigkeit bei ANN (99,8 %), bei LR (97,8 %) und schließlich bei SVM (92,9 %) erreichte.