Modelo de aprendizado profundo para elevação da detecção de intrusões em internet das coisas

A internet das coisas (IoT) impacta significativamente o cotidiano ao permitir a troca eficiente de dados entre objetos e servidores. No entanto, ataques cibernéticos representam uma ameaça séria para dispositivos IoT. Sistemas de detecção de intrusões (IDS) são vitais para proteger redes, e métodos de aprendizado de máquina estão sendo cada vez mais utilizados para aprimorar a segurança. A melhoria contínua na precisão e no desempenho é crucial para a segurança eficaz da IoT. O aprendizado profundo não apenas supera os métodos tradicionais de aprendizado de máquina, mas também possui um potencial inexplorado para fortalecer os sistemas IDS. Este artigo apresenta uma estrutura inovadora de aprendizado profundo voltada para a detecção de anomalias dentro de redes IoT, aproveitando as arquiteturas de memória de longo e curto prazo bidirecional (BiLSTM) e unidade recorrente com portas (GRU). Os hiperparâmetros do modelo proposto são otimizados usando a técnica de otimização JAYA. Esses modelos são validados usando os conjuntos de dados IoT-23 e MQTTset. Vários métricas de desempenho, incluindo precisão, revocação, F-score, taxa de verdadeiro negativo (TNR), taxa de falso positivo (FPR) e taxa de falso negativo (FNR), foram selecionadas para avaliar a efetividade do modelo sugerido. Os resultados empíricos são analisados e confrontados com abordagens prevalentes no campo da detecção de intrusões para IoT. Notavelmente, o método proposto se destaca por mostrar uma precisão superior quando comparado aos métodos existentes.