多種多様なデータセットのマルチモデルフレームワークを使用して,IoTボットネット検出のためのディープラーニングと伝統的な方法の比較分析
Saeed Ullah1, Junsheng Wu2, Zhijun Lin3
1School of Software, Northwestern Polytechnical University, Xi'an, 710072, Shaanxi, China.
Scientific reports
|August 23, 2025
まとめ
この研究は,モノのインターネット (IoT) のボットネットを検出するために機械学習とディープラーニングを用いた新しいアンサンブルフレームワークを導入します. この高度なモデルは高い精度でIoTのサイバーセキュリティを大幅に改善します
科学分野:
- サイバーセキュリティ
- 機械学習
- 物事のインターネット (IoT)
背景:
- 物事のインターネット (IoT) デバイスの急速な拡大は,重要なサイバーセキュリティの脆弱性を導入しました.
- ボットネットはこれらの脆弱性を悪用して ネットワークのインフラに重大な脅威を及ぼす.
研究 の 目的:
- IoTボットネットの 堅牢で正確な検出システムを開発する
- IoT環境における新たな脅威に対するサイバーセキュリティの防御を強化する.
主な方法:
- コンボリューションニューラルネットワーク (CNN),双方向長期短期記憶 (BiLSTM),ランダムフォレスト (RF),およびロジスティック回帰 (LR) を加重したソフト投票で統合した新しいアンサンブルフレームワーク.
- 特徴の偏差を減らすための量子均一変換の実施と,多層の特徴選択方法.
- BOT-IOT,CICIOT2023,IOT23データセットに関する枠組みの評価
主要な成果:
- BOT-IOTデータセットで100%の精度を達成しました.
- CICIOT2023データセットでは99.2%,IOT23データセットでは91.5%の精度を示した.
- 既存の最先端モデルを 6.2% 上回る性能です
結論:
- 提案されたアンサンブル・フレームワークは,IoTボットネット検出のためのスケーラブルで高性能なソリューションを提供します.
- このモデルは,さまざまなネットワークシナリオに適応し,現実世界の展開のための実用的な最適化を提供します.
- この研究は,より効果的な脅威検出を可能にすることで,IoTのセキュリティを大幅に改善します.
