Key points are not available for this paper at this time.
Das Internet der Dinge (IoT) hat den Umgang mit Technologie im Alltag grundlegend verändert. Mit einem drastischen Anstieg der Nutzung von Sensoren wird eine enorme Datenmenge erzeugt, die schwer zu handhaben ist für zentrale Speicherorte. Um dieses Problem zu beheben, wird in IoT eine Edge-Geräteschicht eingeführt, um die Belastung der Cloud-Computing- und Speicherkapazitäten zu verringern, indem die Ressourcen nahe der Datenquelle genutzt werden. Diese Infrastruktur brachte jedoch verschiedene Sicherheitsbedenken mit sich. Daher wurde die Erkennung von Intrusionen in IoT-Edge-Geräten zu einem Hauptziel. Aktuelle Fortschritte in der Intrusionserkennung in IoT Edge erfordern maschinelles Lernen (ML) und tiefes Lernen (DL), um die Intrusionen zu identifizieren. Die Wirksamkeit von ML/DL-Modellen zur Intrusionserkennung in IoT-Edge-Geräten wird in diesem Papier gezeigt. Drei prominente Bedrohungen werden für die Intrusionserkennung identifiziert. Die Ergebnisse verschiedener Algorithmen werden unter Verwendung unterschiedlicher Leistungskennzahlen verglichen und hinsichtlich ihrer Anwendbarkeit in IoT-Edge-Geräten analysiert.
Tripathy et al. (Thu,) haben diese Frage untersucht.