Video Experimental Relacionado
Updated: May 3, 2026
03:31
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
Published on: December 15, 2023
635
MACML: Método de metaaprendizaje basado en la atención y la convolución para la detección de intrusiones de IoT de
Congyuan Xu1,2, Jun Yang1, Panpan Li1
1College of Artificial Intelligence, Jiaxing University, Jiaxing, Zhejiang, China.
PloS one
|August 29, 2025
Resumen
Este estudio presenta MACML, un nuevo sistema de detección de intrusiones de metaaprendizaje para la seguridad de Internet de las Cosas (IoT). MACML detecta efectivamente nuevos ataques cibernéticos con un mínimo de datos, mejorando la protección de los dispositivos IoT.
Área de la Ciencia:
- Ciberseguridad
- Aprendizaje automático
- Internet de las cosas (IoT)
Sus antecedentes:
- Los dispositivos del Internet de las Cosas (IoT) son cada vez más vulnerables a los ciberataques.
- Los sistemas tradicionales de detección de intrusiones (IDS) luchan con nuevas amenazas debido a la dependencia de extensos datos etiquetados.
- Los escenarios de aprendizaje a corto plazo presentan un desafío significativo para los IDS existentes.
Objetivo del estudio:
- Desarrollar un método avanzado de detección de intrusiones para entornos IoT.
- Mejorar la detección de nuevos ciberataques utilizando datos limitados.
- Mejorar la capacidad de generalización de los sistemas de detección de intrusos.
Principales métodos:
- Proponiendo MACML (Marrying Attention and Convolution-based Meta-Learning), un enfoque de meta-aprendizaje en el que el aprendizaje se basa en la atención y la conversión.
- Integración de mecanismos de autoatención para la extracción de características globales y redes neuronales convolucionales para la extracción de características locales.
- Utilizando un marco de metaaprendizaje basado en la optimización para una rápida adaptación con pocas muestras de capacitación.
Principales resultados:
- MACML logró una precisión del 98.75% y una tasa de detección del 99.17% en CICIDS2018 con solo 10 muestras de capacitación.
- En CICIoT2023, MACML demostró una precisión del 94,47% y una tasa de detección del 95,32%.
- El método propuesto superaba a las técnicas de detección de intrusiones más avanzadas existentes.
Conclusiones:
- MACML aborda efectivamente el desafío de detectar nuevos ciberataques en escenarios de pocos disparos para IoT.
- La integración de la atención y la convolución mejora la percepción del modelo de las características del tráfico de red.
- MACML ofrece una solución prometedora para la detección de intrusiones robusta y adaptable en los ecosistemas de IoT.
