Key points are not available for this paper at this time.
Die Technologie des Internets der Dinge (IoT) hat sich erheblich weiterentwickelt und ist von persönlichen Geräten über spritfähige Städte bis hin zu globalen Einsätzen in verschiedenen Branchen übergegangen. Sicherheit Herausforderungen entstehen durch eine Vielzahl von Geräten, die unterschiedliche Protokolle verwenden und über begrenzte Rechenkapazitäten verfügen, was zu Schwachstellen und potenziellen Eindringlingen in IoT-Netzwerken führt. Dieses Papier behandelt die Herausforderung der Eindringungserkennung in IoT, indem es ein heterogenes, auf maschinellem Lernen basierendes Stapelklassifikationsmodell für IoT-Daten einführt. Das Modell verwendet Merkmalsauswahl und Ensemblemodellierung, um wichtige Klassifikationsmetriken zur Intrusionserkennung von IoT-Daten zu untersuchen und zu verbessern. Dieser Ansatz umfasst zwei Kernkomponenten: die Verwendung des K-Best-Algorithmus zur Merkmalsauswahl, der die 15 wichtigsten Merkmale extrahiert, und die Konstruktion eines Ensemblemodells, das verschiedene traditionelle Modelle des maschinellen Lernens integriert. Die Integration dieser Komponenten nutzt Informationen aus ausgewählten Merkmalen und nutzt die kollektive Stärke einzelner Modelle, um die Klassifikationsleistung zu verbessern. Mit dem 'Ton IoT-Datensatz' vergleichen unsere Experimente das Ensemblemodell mit einzelnen Modellen. Diese Forschung zielt darauf ab, wichtige Klassifikationsmetriken für die Intrusionserkennung in IoT zu verbessern, mit einem Fokus auf Genauigkeit, Präzision, Rückruf und F1-Score. Durch rigorose Experimente und Vergleiche zeigt der vorgeschlagene Ensembleansatz außergewöhnliche Leistungen und bietet eine robuste Lösung zur Stärkung der Sicherheit von IoT-Netzwerken.
Almotairi et al. (Sat,) haben diese Frage untersucht.