Key points are not available for this paper at this time.
L'expansion rapide des technologies de l'Internet des objets (IoT) a révolutionné la connectivité mais a également exposé les utilisateurs à des menaces cybernétiques accrues. Cette étude vise à améliorer les systèmes de détection d'intrusion (IDS) pour les réseaux IoT en employant des techniques avancées d'apprentissage automatique (ML) et en abordant le défi de la sélection de jeux de données, en allant au-delà des normes obsolètes telles que KDD99 et NSL-KDD99. Nous nous concentrons sur l'évaluation de l'efficacité du jeu de données Aegean Wi-Fi Intrusion Dataset (AWID) dans le cadre de la norme IEEE 802.11 pour la sécurité IoT. Grâce à des algorithmes de classification, nous évaluons l'efficacité d'AWID en mesurant la précision, le taux de détection et les faux positifs en utilisant l'outil WEKA. Nous introduisons un cadre ML robuste adapté à la détection d'intrusions sans fil, en réalisant des évaluations dans divers scénarios, y compris des classes nominales et numériques, et utilisons des techniques de sélection de caractéristiques pour améliorer les performances du modèle. Nos expériences montrent l'efficacité de la détection d'intrusions basée sur ML, l'arbre de décision (DT) renforcé excellent dans les méthodes de sélection de caractéristiques chevauchantes. Notamment, la régression logistique atteint un taux de précision de 98,90 % lors des deux premières phases d'évaluation. Cette recherche contribue de manière significative à la détection des intrusions en fournissant un cadre complet pour identifier les attaques dans les contextes IoT grâce aux techniques ML. Contrairement aux études précédentes, notre approche utilise le jeu de données AWID, qui est plus aligné avec le paysage actuel des menaces, en abordant les limitations des jeux de données obsolètes. De plus, nous comblons le fossé entre la recherche et la mise en œuvre pratique en menant nos expériences en utilisant l'outil WEKA. En résumé, cette étude offre une solution novatrice et pratique au défi pressant de la détection d'intrusion dans les réseaux IoT, favorisant des déploiements IoT plus sûrs et plus résilients.
Thabit et al. (Sat,) ont étudié cette question.