相关实验视频
Updated: Jun 4, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
检测出不寻常的重复行为模式,表明物联网中基于循环的攻击
1College of Computer Science and Engineering, University of Jeddah, Jeddah 21959, Saudi Arabia.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
本研究介绍了一种基于循环的机器学习方法,用于检测对物联网 (IoT) 设备的攻击. XGBoost模型在识别恶意活动方面表现出卓越的性能,提供了强大的实时威胁检测.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 物联网 (IoT) 安全 安全 物联网
背景情况:
- 物联网 (IoT) 设备面临着严重的妥协风险.
- 由于物联网设备的限制,如电池寿命和处理能力,传统的攻击检测方法通常是无效的.
研究的目的:
- 开发和评估一种基于循环的机器学习方法,用于检测物联网环境中的攻击.
- 解决现有检测技术对资源有限的物联网设备的局限性.
主要方法:
- 从CTU-IoT-Malware-Capture-7-1数据集 (Linux,Mirai) 中提取了基于循环的模式.
- 实施和评估了九个基于循环的攻击检测机器学习模型.
- 利用了XGBoost模型,因为它在识别恶意模式方面具有卓越的性能.
主要成果:
- 该XGBoost模型实现了高性能指标:8.85%的准确性,96.57%的精度 (类) 和96.72%的回忆 (类1).
- 在处理大型物联网数据集和在各种恶意行为模式中概括方面表现出卓越的能力.
- 在区分攻击和正常活动方面表现出强度,最大限度地减少虚假阳性和负性.
结论:
- 使用机器学习的循环式检测方法,特别是XGBoost,对实时物联网威胁检测非常有效.
- 在物联网网络中,XGBoost提供了一种卓越的解决方案,用于识别物联网网络中复杂和多样化的恶意活动.
- 这种方法通过提供可靠和准确的攻击检测能力来增强物联网生态系统的安全性.
