相关实验视频
Updated: May 29, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
一个混合机器学习模型用于无线传感器网络的入侵检测,利用数据平衡和维度减少
Md Alamin Talukder1, Majdi Khalid2, Nasrin Sultana3
1Department of Computer Science and Engineering, International University of Business Agriculture and Technology, Dhaka, Bangladesh. alamin.cse@iubat.edu.
Scientific reports
|February 7, 2025
概括
本研究介绍了一种混合机器学习模型,用于在无线传感器网络 (WSN) 和物联网 (IoT) 中进行强大的入侵检测. 该模型显著提高了准确性和效率,优于现有方法.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 网络安全 网络安全
背景情况:
- 无线传感器网络 (WSN) 和物联网 (IoT) 环境面临着来自各种威胁的重大安全挑战.
- 有效的入侵检测系统 (IDS) 对于保护这些相互连接的系统至关重要.
- 传统的方法经常与数据不平衡和高维度作斗争,影响检测性能.
研究的目的:
- 开发一种新的混合机器学习模型,用于增强WSN和IoT中的入侵检测.
- 解决网络流量数据中阶级不平衡和高维度的挑战.
- 提高入侵检测系统的准确性,效率和可扩展性.
主要方法:
- 整合KMeans-SMOTE (KMS) 以实现有效的数据平衡.
- 主要组件分析 (PCA) 的应用,以减少维度.
- 使用诸如决策树,随机森林分类器 (RFC) 和XGBoost (XGBC) 等分类器.
主要成果:
- 混合 (KMS + PCA + RFC) 模型实现了特殊的准确性 (WSN-DS上的99.94%,TON-IoT上的99.97%).
- 与传统的SMOTE TomekLink和生成对抗网络 (GAN) 均衡技术相比,该模型表现出优异的性能.
- 复杂性分析证实了培训和预测时间的缩短,表明适合实时应用.
结论:
- 拟议的混合ML模型为WSN和IoT中的入侵检测提供了一个可扩展和强大的解决方案.
- 这种方法有效地减轻了阶级不平衡和高维度问题.
- 该模型的高精度和效率使其成为网络安全的有希望的进步.
