一个用于物联网的轻量级入侵检测系统:集群和蒙特卡洛交叉的方法

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 物联网 (IoT) 的物联网 (IoT) 的物联网.

背景情况:

• 物联网 (IoT) 是现代基础设施不可或缺的一部分,但由于快速增长,它面临着重大安全挑战.
• 传统的基于机器学习的入侵检测系统 (IDS) 与物联网设备的资源限制 (有限的计算和内存) 斗争.
• 对网络攻击的脆弱性增加,需要对物联网网络提供高效和轻量级的安全解决方案.

研究的目的:

• 为在资源有限的物联网环境中提议一种更高效,更准确的入侵检测方法.
• 克服现有的IDS解决方案在处理物联网设备约束方面的局限性.
• 开发一种基于物联网的轻量级,高效和高精度的IDS.

主要方法:

• 实施了循环聚类方法,用于数据凝聚,使用紧性和率驱动的采样来创建一个代表性的数据子集.
• 利用蒙特卡洛交叉的方法与特征稳定性指标相结合,以选择最相关和最稳定的特征.
• 评估了从真实物联网设备中对N-BaIoT,Edge-IIoTset和CICIoT2023数据集的拟议方法.

主要成果:

• 在多个物联网数据集上实现了与现有方法可比的分类准确性.
• 显著减少了45×的训练时间和15×的测试时间.
• 减少了18×的内存使用量,证明了高效的IDS.

结论:

• 拟议的方法有效地提高了物联网网络的入侵检测效率.
• 该方法提供了适合资源有限的物联网设备的轻量级和准确的IDS.
• 这项研究提供了一个可行的解决方案,以加强物联网安全防范网络攻击.