IoTネットワークのセキュリティ確保：異常トラフィックパターンの検出のための機械学習アプローチ

科学分野:

• サイバーセキュリティ
• 機械学習
• ネットワークセキュリティ

背景:

• モノのインターネット（IoT）の急速な拡大は、その複雑で分散したアーキテクチャにより、重大なセキュリティ上の脆弱性を提示しています。
• 既存のセキュリティ対策は、IoTネットワークの規模と多様性に対処するのに苦労しており、高度なソリューションが必要とされています。

研究 の 目的:

• モノのインターネット（IoT）ネットワークのセキュリティを強化するための機械学習（ML）フレームワークを開発および評価すること。
• IoT環境内のセキュリティ脅威を示す異常トラフィックパターンを特定および軽減すること。

主な方法:

• クリーニング、統合、変換、特徴量エンジニアリングを含む包括的なデータ前処理パイプラインを利用しました。
• NBaIoTおよびUNSW-NB15データセットを統合して、分析のための堅牢な環境を作成しました。
• 決定木、SVM、ランダムフォレスト、およびニューラルネットワークを含むさまざまなMLモデルのパフォーマンスを評価しました。

主要な成果:

• 決定木モデルは95%の精度、SVMは96%、ランダムフォレストは97%を達成しました。
• ニューラルネットワークモデルは、98%の精度と97%のリコールで優れたパフォーマンスを示しました。
• ニューラルネットワークベースのフレームワークは、他の評価されたモデルと比較して、IoTトラフィックの異常を検出し防止する上でより効果的であることが証明されました。

結論:

• 機械学習は、IoTネットワーク向けの堅牢でスケーラブルなリアルタイム異常検知ソリューションを開発するための有望なアプローチを提供します。
• 提案されたニューラルネットワークフレームワークは、IoTセキュリティを改善する上で大きな可能性を示しています。
• 将来の研究では、実践的な実装に焦点を当て、モデルの柔軟性と回復力を強化するために、追加のデータセットとML手法を組み込む必要があります。