Key points are not available for this paper at this time.
L'Internet des Objets (IoT) a évolué de manière significative, automatisant les activités quotidiennes en connectant de nombreux appareils. Cependant, cette croissance a augmenté les menaces en matière de cybersécurité, compromettant l'intégrité des données. Pour y remédier, des systèmes de détection d'intrusions (IDS) ont été développés, principalement en utilisant des modèles d'attaque prédéfinis. Avec l'augmentation des cyberattaques, l'amélioration de l'efficacité des IDS est cruciale, et l'apprentissage automatique est une solution clé. Cette recherche améliore les capacités des IDS en introduisant l'identification binaire des attaques et la catégorisation multiclass des attaques pour le trafic IoT, visant à améliorer les performances des IDS. Notre cadre utilise les ensembles de données 'BoT-IoT' et 'TON-IoT', qui incluent divers scénarios de trafic réseau IoT et de cyberattaques, tels que DDoS et infiltration de données, pour former des modèles d'apprentissage automatique et d'ensemble. Plus précisément, il combine trois modèles d'apprentissage automatique - décision arbre, réseau de neurones multilayer robustes (RProp) et régression logistique - en méthodes d'ensemble comme le vote et le stacking pour améliorer la précision des prédictions et réduire les erreurs de détection. Ces classificateurs d'ensemble surpassent les modèles individuels, démontrant le bénéfice de techniques d'apprentissage diversifiées. Notre cadre atteint une grande précision, avec 99,99 % pour la classification binaire sur l'ensemble de données BoT-IoT et 97,31 % sur l'ensemble de données ToN-IoT. Pour la classification multiclass, il atteint 99,99 % sur BoT-IoT et 96,32 % sur ToN-IoT, améliorant considérablement l'efficacité des IDS face aux menaces de cybersécurité IoT.
Hajla et al. (Mon,) ont étudié cette question.