Detección de intrusiones optimizada para redes IoT mediante selección de características evolutivas híbridas...

Área de la Ciencia:

• Ciberseguridad e Ingeniería de Redes
• Aplicaciones de Aprendizaje Automático

Sus antecedentes:

• Las redes de Internet de las Cosas (IoT) son vulnerables a ciberataques debido a los datos sensibles que manejan.
• Los Sistemas de Detección de Intrusiones (IDS) son cruciales para la seguridad de IoT, pero el desarrollo de sistemas de baja complejidad sigue siendo un desafío.
• Los métodos existentes de clasificación de intrusiones a menudo tienen dificultades con la escala y la complejidad de los entornos IoT.

Objetivo del estudio:

• Proponer un método novedoso y de baja complejidad para el Sistema de Detección de Intrusiones (IDS) para el Internet de las Cosas (IoT).
• Abordar el desafío de construir modelos de detección de intrusiones eficientes y efectivos para dispositivos IoT con recursos limitados.
• Mejorar el rendimiento y reducir la complejidad de los IDS mediante la selección activa de características y el aprendizaje automático de conjunto.

Principales métodos:

• Se introduce un novedoso método de selección activa de características basado en la varianza, impulsado por un optimizador genético-aritmético Cauchy-Gaussian.
• El método emplea un enfoque de dos fases: representación KD-tree para el aprendizaje activo de muestras basado en la varianza de características, seguido de la selección de características impulsada por el optimizador.
• Se utiliza aprendizaje automático de conjunto, específicamente el algoritmo Bagging, con las características seleccionadas para la clasificación de intrusiones.

Principales resultados:

• El método propuesto logró altas tasas de precisión del 99,88% (CICIDS2017) y 99,72% (IoTID20) utilizando el algoritmo Bagging.
• Se observó una tasa de falsos positivos significativamente baja: 0,000801 (CICIDS2017) y 0,000165 (IoTID20).
• El enfoque de selección activa de características redujo demostrablemente la complejidad de los métodos wrapper en comparación con las técnicas de optimización convencionales.

Conclusiones:

• El novedoso método de selección activa de características combinado con el aprendizaje de conjunto ofrece una solución de baja complejidad y altamente efectiva para los Sistemas de Detección de Intrusiones en IoT.
• El optimizador genético-aritmético Cauchy-Gaussian mejora la diversidad y la convergencia de la selección de características, superando a los métodos tradicionales.
• Los resultados validados en conjuntos de datos de referencia confirman la superioridad del método en precisión y eficiencia para la seguridad de IoT.