Optimizar la detección de intrusiones de IoT con el equilibrio de conjuntos de datos basados en similitud cosino y el...

Área de la Ciencia:

• Ciberseguridad
• Aprendizaje automático
• Internet de las cosas (IoT)

Sus antecedentes:

• La proliferación de dispositivos del Internet de las Cosas (IoT) amplía significativamente la superficie de ataque para las amenazas cibernéticas.
• Los sistemas de detección de intrusiones (IDS) son críticos para la mitigación de amenazas en tiempo real, pero luchan con conjuntos de datos desequilibrados donde las instancias de ataque son raras.
• El entrenamiento de IDS en datos desequilibrados conduce a modelos sesgados que detectan mal las intrusiones.

Objetivo del estudio:

• Introducir una nueva técnica de equilibrio de datos, la reducción de la clase mayoritaria basada en la similitud cosseno (CSMCR), para mejorar los sistemas de detección de intrusiones (IDS).
• Desarrollar y evaluar un modelo híbrido de aprendizaje profundo para mejorar la extracción y clasificación de características en la ciberseguridad de la IoT.
• Demostrar la eficacia de la CSMCR para prevenir el exceso de ajuste y mejorar la interpretabilidad del modelo.

Principales métodos:

• CSMCR elimina selectivamente las muestras de clase mayoritaria redundantes mediante el análisis de la similitud de las características, preservando la integridad y la diversidad de los datos.
• Se desarrolló un modelo híbrido de aprendizaje profundo que integra las arquitecturas RegNet y FBNet para la extracción de características avanzadas.
• Los conjuntos de datos se equilibraron a una proporción de 1: 1 para optimizar el rendimiento del modelo y evitar sesgos.

Principales resultados:

• La técnica CSMCR logró un rendimiento superior en comparación con los métodos tradicionales como SMOTE.
• El modelo híbrido propuesto obtuvo altas puntuaciones F1: 0.9758 en RT-IoT2022 y 0.9275 en UNSW Bot-IoT.
• CSMCR redujo el tiempo de entrenamiento en un 53% y demostró un rendimiento óptimo en una proporción de 1: 1 entre mayoría y minoría.

Conclusiones:

• CSMCR es una estrategia robusta, escalable y computacionalmente eficiente para equilibrar los conjuntos de datos de IDS en entornos de IoT.
• El equilibrio óptimo de datos mejora significativamente el rendimiento del IDS, la interpretabilidad y reduce la sobrecarga computacional.
• Los resultados ponen de relieve la importancia de abordar el desequilibrio de datos para una seguridad efectiva de la red IoT.