Verbesserung der Intrusionserkennung in IoT-Umgebungen: Ein fortgeschrittener Ensembleansatz unter Verwendung von Kolmogorov-Arnold-Netzwerken

In den letzten Jahren hat die Evolution von Techniken des maschinellen Lernens das Gebiet der Intrusionserkennung erheblich beeinflusst, insbesondere im Kontext des Internets der Dinge (IoT). Mit dem Wachstum von IoT-Netzwerken ist die Notwendigkeit robuster Sicherheitsmaßnahmen zur Bekämpfung potenzieller Bedrohungen zunehmend kritisch geworden. Dieses Papier führt ein hybrides Intrusion Detection System (IDS) ein, das synergistisch Kolmogorov-Arnold-Netzwerke (KANs) mit dem XGBoost-Algorithmus kombiniert. Unser vorgeschlagenes IDS nutzt die einzigartigen Fähigkeiten von KANs, die anpassbare Aktivierungsfunktionen verwenden, um komplexe Beziehungen innerhalb von Daten zu modellieren, zusammen mit den leistungsstarken Ensemble-Lerntechniken von XGBoost, das für seine hohe Leistungsfähigkeit bei Klassifikationsaufgaben bekannt ist. Dieser hybride Ansatz verbessert nicht nur die Erkennungsgenauigkeit, sondern erhöht auch die Interpretierbarkeit des Modells, wodurch es sich für dynamische und komplexe IoT-Umgebungen eignet. Experimentelle Bewertungen zeigen, dass unser hybrides IDS eine beeindruckende Erkennungsgenauigkeit von über 99 % erreicht, wenn es darum geht, zwischen harmlosen und bösartigen Aktivitäten zu unterscheiden. Darüber hinaus konnten wir F1-Werte sowie Präzision und Recall von über 98 % erreichen. Darüber hinaus führen wir eine vergleichende Analyse mit traditionellen Multi-Layer Perceptron (MLP)-Netzen durch, wobei wir Leistungsmetriken wie Präzision, Recall und F1-Score bewerten. Die Ergebnisse unterstreichen die Wirksamkeit der Integration von KANs mit XGBoost und heben das Potenzial dieses innovativen Ansatzes hervor, um die Sicherheitsarchitektur von IoT-Netzwerken erheblich zu stärken.