Aprimorando a Segurança da IoT com Sistemas de Detecção de Intrusão Baseados em CNN e LSTM

Proteger dispositivos de Internet das Coisas (IoT) contra ataques cibernéticos é imperativo devido às vulnerabilidades de segurança inerentes. Essas vulnerabilidades podem incluir uma gama de ataques sofisticados que causam danos significativos tanto a indivíduos quanto a organizações. Empregar medidas de segurança robustas, como sistemas de detecção de intrusão (IDS), é essencial para resolver esses problemas e proteger sistemas de IoT contra tais ataques. Nesse contexto, nosso modelo de IDS proposto consiste em uma combinação de rede neural convolucional (CNN) e modelos de aprendizado profundo (DL) de memória de curto e longo prazo (LSTM). Essa fusão facilita a detecção e classificação do tráfego da IoT em categorias binárias, atividades benignas e maliciosas, aproveitando as capacidades de extração de características espaciais da CNN para reconhecimento de padrões e a retenção de memória sequencial do LSTM para discernir dependências temporais complexas, alcançando maior precisão e eficiência. Ao avaliar o desempenho do nosso modelo proposto, os autores utilizaram o novo conjunto de dados CICIoT2023 para treinamento e teste final, enquanto validavam ainda mais o desempenho do modelo por meio de uma fase de teste conclusiva utilizando o conjunto de dados CICIDS2017. Nosso modelo proposto alcança uma taxa de precisão de 98,42%, acompanhada por uma perda mínima de 0,0275. A taxa de falsos positivos (FPR) também é importante, chegando a 9,17% com um F1score de 98,57%. Esses resultados demonstram a eficácia do nosso modelo de IDS CNN-LSTM em fortalecer ambientes de IoT contra potenciais ameaças cibernéticas.