解决物联网安全问题通过增强的正弦点和正弦点元启发调整混合机器学习模型和基于SHAP方法的结果解释

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 物联网 (IoT) 产生了大量的数据,带来了安全风险,如未经授权的访问和数据泄露.
• 机器学习 (ML) 和人工智能 (AI) 为在物联网环境中检测威胁和自动化诊断提供了解决方案.
• 算法的有效性取决于超参数优化和适当的训练,以获得所需的结果.

研究的目的:

• 为改善物联网安全提出一个人工智能框架.
• 为解决对物联网系统强大的入侵检测的关键需求.
• 通过优化,提高安全算法的分类性能.

主要方法:

• 开发了一个人工智能框架,集成了一个简单的卷积神经网络 (CNN) 和极端机器学习 (ELM).
• 调整了CNN-ELM模型,使用修改后的正弦定弦算法 (SCA).
• 对两个来自Windows环境的ToN物联网入侵检测数据集进行了框架评估.

主要成果:

• 拟议的AI框架在评估的物联网入侵检测数据集上展示了优异的分类性能.
• 严格的统计测试证实了该模型的有效性.
• 沙普利添加式扩展 (SHAP) 分析为表现最好的模型提供了可解释性.

结论:

• 优化的AI框架通过提高入侵检测准确度,显著提高物联网安全性.
• 这些发现为安全专家提供了宝贵的见解,以加强物联网系统防御.
• 这项研究有助于为不断扩大的物联网领域推进人工智能驱动的安全解决方案.