一个基于堆叠的优化TinyML模型用于在物联网网络中检测攻击
Anshika Sharma1, Shalli Rani1, Mohammad Shabaz2
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, Punjab, India.
PloS one
|August 1, 2025
概括
本研究介绍了一种基于堆叠的微型机器学习 (TinyML) 模型,用于高效的物联网 (IoT) 网络攻击检测. 提议的TinyML模型达到99.98%的准确性,以最小的计算开销优于传统方法.
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) 设备的普及,由于越来越复杂的攻击,带来了重大的安全挑战.
- 传统的攻击检测方法与物联网环境固有的实时处理和资源限制作斗争.
研究的目的:
- 提出和评估一个基于堆叠的微型机器学习 (TinyML) 模型,用于在物联网网络中高效有效地检测攻击.
- 通过提供低计算开销的解决方案来解决传统方法的局限性.
主要方法:
- 利用了ToN-IoT数据集,预处理了标签编码,功能选择和数据标准化.
- 实施了一种堆叠集体学习技术,将决策树 (DT) 和神经网络 (NN) 模型结合起来.
- 使用准确度,精度,回忆,F1得分,特异性和假阳性率 (FPR) 评估性能.
主要成果:
- 堆叠的TinyML模型实现了99.98%的卓越准确率.
- 证明了效率,平均推断延迟为0.12ms,功耗为0.01mW.
- 在检测性能和效率上都超过了传统的机器学习方法.
结论:
- 提出的基于堆叠的TinyML模型为物联网网络攻击检测提供了一个高度准确和高效的解决方案.
- 这种方法有效地克服了传统方法所面临的实时处理和计算开销挑战.
- 该模型的低资源需求使其适合在资源有限的物联网设备上部署.
