Sistema de detección de intrusiones con autoencoder cuantizado (QAE) para la detección de anomalías en dispositivos IoT con recursos limitados utilizando el conjunto de datos RT-IoT2022

Resumen En los últimos años, muchos investigadores se han centrado en el aprendizaje no supervisado para la detección de anomalías en redes en dispositivos de borde para identificar ataques. El despliegue del modelo de autoencoder no supervisado es computacionalmente costoso en dispositivos de borde con recursos limitados. Este estudio propone un modelo de autoencoder cuantizado (QAE) para sistemas de detección de intrusiones para detectar anomalías. QAE es un modelo de optimización derivado de autoencoders que incorpora técnicas de poda, agrupamiento y cuantización entera. El autoencoder cuantizado uint8 (QAE-u8) y el autoencoder cuantizado float16 (QAE-f16) son dos variantes de QAE diseñadas para implementar modelos de IA computacionalmente costosos en dispositivos de borde. Primero, hemos generado un conjunto de datos de Internet de las Cosas en Tiempo Real 2022 para tráfico normal y de ataque. El modelo de autoencoder opera en tráfico normal durante la fase de entrenamiento. El mismo modelo se utiliza luego para reconstruir el tráfico anómalo bajo la suposición de que el error de reconstrucción (RE) de la anomalía será alto, lo que ayuda a identificar los ataques. Además, estudiamos el rendimiento de los autoencoders, QAE-u8 y QAE-f16 utilizando precisión, exactitud, recuperación y puntuación F1 a través de un estudio experimental exhaustivo. Mostramos que QAE-u8 supera a todos los demás modelos con una reducción del 70.01% en la utilización promedio de memoria, del 92.23% en la compresión del tamaño de memoria y del 27.94% en la utilización máxima de CPU. Así, el modelo QAE-u8 propuesto es más adecuado para su implementación en dispositivos de borde IoT con recursos limitados.