Renforcer l'infrastructure IoT en utilisant l'apprentissage automatique contre les attaques DDoS dans le routage basé sur l'informatique distribuée dans les réseaux

Le DDoS, également connu sous le nom d'attaque par déni de service, est désormais largement utilisé, notamment après que des technologies telles que l'IoT (Internet des objets) soient devenues courantes et que le trafic de données privilégie les itinéraires de lien. Leur efficacité est limitée par le fait que les attaques sont contrôlées par le centre, la capacité de transmission de données limitée et également la capacité des virus à fonctionner sous le toit tout en utilisant les nœuds mobiles qui les aident à se déplacer de manière furtive. D'autre part, si nous considérons les approches de sécurité conventionnelles, ces dispositifs de sécurité utilisent principalement des protocoles de sécurité traditionnels tels que le cryptage de mot de passe et l'authentification des utilisateurs. L'objectif de cet article est d'analyser l'architecture de détection des attaques déployée dans le réseau IoT et de démontrer en conséquence si leur fonction est de suivre et suivre ou même d'attaquer des sujets. De plus, l'article démontre le rôle approprié des détecteurs pour maintenir les réseaux en sécurité. Les algorithmes utilisés pour l'apprentissage automatique se basent sur les occurrences passées de ces attaques et s'efforcent ensuite de trouver de nouvelles solutions qui pourraient contrôler ou minimiser des attaques qui pourraient être préjudiciables, ce qui est la méthode typique pour prévenir les attaques. Cette recherche vise à comparer les principales approches d'apprentissage automatique, à savoir les machines à vecteurs de support (SVM), les forêts aléatoires (RF) et les arbres de décision (DT), en leur capacité à classifier les systèmes de détection d'intrusion (IDS) via des réseaux de routage sur des systèmes informatiques distribués. De plus, les algorithmes effectuent un contrôle de qualité pour déterminer l'hyperplan optimal pour les données données, trouver des points de données voisins et préserver la structure de l'arbre. Nous évaluons ces algorithmes à l'aide de mesures telles que la matrice de confusion, le score F1 et l'AUC-ROC pour déterminer leur performance dans la gestion des ensembles de données déséquilibrés et la génération d'insights significatifs. Nos résultats indiquent que la forêt aléatoire surpasse les autres modèles, atteignant une précision de 99,2 %, un taux de faux positifs de 0,8 % et un AUC-ROC de 0,997.