Verbesserung der Verteidigung von IoT-Netzwerken: fortschrittliche Intrusionserkennung mittels Ensemble-Lerntechniken

Das Internet der Dinge (IoT) hat sich erheblich weiterentwickelt und automatisiert tägliche Aktivitäten durch die Verbindung zahlreicher Geräte. Dieses Wachstum hat jedoch die Bedrohungen der Cybersicherheit erhöht und die Integrität von Daten gefährdet. Um dies zu adressieren, wurden Intrusion Detection Systeme (IDS) entwickelt, die hauptsächlich vordefinierte Angriffsmuster verwenden. Angesichts der zunehmenden Cyber-Angriffe ist es entscheidend, die Effektivität von IDS zu verbessern, und maschinelles Lernen ist eine Schlüssel-Lösung. Diese Forschung verbessert die Fähigkeiten von IDS, indem sie die binäre Angriffserkennung und die Klassifizierung mehrerer Angriffe für IoT-Traffic einführt, um die Leistung der IDS zu erhöhen. Unser Rahmenwerk verwendet die Datensätze ‚BoT-IoT‘ und ‚TON-IoT‘, die verschiedene IoT-Netzwerktrafik- und Cyberangriffsszenarien, wie DDoS und Dateninfiltration, einschließen, um maschinelles Lernen und Ensemble-Modelle zu trainieren. Konkret kombiniert es drei Modelle des maschinellen Lernens - Entscheidungsbaum, resilienter Backpropagation (RProp) Multilayer Perzeptron (MLP) und logistische Regression - mit Ensemble-Methoden wie Abstimmung und Stacking, um die Vorhersagegenauigkeit zu verbessern und Erkennungsfehler zu reduzieren. Diese Ensemble-Klassifizierer übertreffen einzelne Modelle und demonstrieren den Vorteil vielfältiger Lerntechniken. Unser Rahmenwerk erreicht eine hohe Genauigkeit von 99,99 % bei der binären Klassifizierung auf dem BoT-IoT-Datensatz und 97,31 % auf dem ToN-IoT-Datensatz. Bei der Klassifizierung mehrerer Klassen erreicht es 99,99 % auf BoT-IoT und 96,32 % auf ToN-IoT und verbessert somit die Effektivität von IDS erheblich gegen Cyberbedrohungen im IoT.