物联网网络中使用机器学习进行攻击分类的实验分析

近年来，物联网（IoT）设备及其生成的数据量大幅增加。由于设备资源受限，参与物联网网络的设备可能会出现问题，而在这些设备上集成安全性通常被忽视。这导致攻击者更有动力针对物联网设备。随着网络上可能发生的攻击数量增加，传统的入侵检测系统（IDS）在高效应对这些攻击方面变得更加困难。本文强调了多种可用于IDS的机器学习（ML）方法，如k-近邻（KNN）、支持向量机（SVM）、决策树（DT）、朴素贝叶斯（NB）、随机森林（RF）、人工神经网络（ANN）和逻辑回归（LR）。在这项工作中，我们对Bot-IoT数据集进行了ML算法在二元和多类分类下的比较。基于准确性、精确率、召回率、F1分数和对数损失等多个参数，我们对上述ML算法进行了实验比较。在HTTP分布式拒绝服务（DDoS）攻击情况下，RF的准确率为99%。此外，基于其他仿真结果的精确率、召回率、F1分数和对数损失指标显示，RF在二元分类的所有类型攻击中表现优于其他算法。然而，在多类分类中，KNN以99%的准确率优于其他ML算法，比RF高出4%。