MLIDS: Revolucionando el mecanismo de seguridad digital basado en IoT con un sistema de detección de intrusiones asistido por aprendizaje automático

Se está volviendo más crítico detectar intrusiones en estos dispositivos debido al crecimiento exponencial del Internet de las Cosas (IoT) y la explosión correspondiente en el número de dispositivos IoT. Para crear sistemas de detección de intrusiones que realmente funcionen, los investigadores están utilizando métodos de aprendizaje automático. El Sistema de Detección de Intrusiones Asistido por Aprendizaje Automático (MLIDS) es un nuevo sistema de detección de intrusiones que presentaremos en este estudio. Identifica de manera eficiente el tráfico inusual de la red. Una prueba de validación cruzada utilizando el modelo de aprendizaje tradicional XGBoost permite una evaluación transparente del rendimiento del algoritmo propuesto. A continuación, los datos preprocesados se categorizarán utilizando los métodos MLIDS y XGBoost propuestos. Para obtener el mejor rendimiento de detección, se ajustan los hiperparámetros del modelo utilizando lógica de optimización. La evolución del cibercrimen ha exigido enormes avances en la tecnología de sistemas de detección de intrusiones (IDS). Para acceder a los datos privados de nuestras computadoras, los hackers de hoy en día despliegan una amplia variedad de técnicas. Para protegerse de estas amenazas, existen una gran cantidad de algoritmos de detección de intrusiones. Hay crecientes preocupaciones sobre la comunicación segura y la protección de la información digital debido a la expansión y uso exponencial de internet. Para obtener información útil, los hackers de hoy en día utilizan una amplia variedad de técnicas. Esos distintos ataques pueden ser detectados mediante el uso de varios algoritmos, métodos y enfoques de detección de intrusiones. El objetivo general de este artículo es presentar un análisis completo de los sistemas de detección de intrusiones, incluyendo pero no limitado a: diferentes tipos de técnicas de identificación de intrusiones, tipos de eventos, una serie de enfoques y herramientas, necesidades de investigación futuras, dificultades y, posteriormente, el desarrollo de un dispositivo IDS para propósitos de investigación que pueda detectar y prevenir intrusiones.