保护物联网网络的安全:用于检测不寻常的流量模式的机器学习方法.

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:

• 物联网 (IoT) 的快速扩张由于其复杂和分布式架构而带来了重大安全漏洞.
• 现有的安全措施难以应对物联网网络的规模和多样性,需要先进的解决方案.

研究的目的:

• 开发和评估一个机器学习 (ML) 框架,以提高物联网 (IoT) 网络的安全性.
• 识别和减轻异常流量模式,表明物联网环境中的安全威胁.

主要方法:

• 使用了全面的数据预处理管道,包括清理,集成,转换和功能工程.
• 整合了NBaIoT和UNSW-NB15数据集,以创建一个强大的分析环境.
• 评估了各种ML模型的性能,包括决策树,SVM,随机森林和神经网络.

主要成果:

• 决策树模型达到了95%的准确性,SVM达到了96%,随机森林达到了97%的准确性.
• 神经网络模型以98%的精度和97%的回忆表现出卓越的性能.
• 与其他评估模型相比,基于神经网络的框架在检测和防止物联网流量异常方面更有效.

结论:

• 机器学习为物联网网络开发强大,可扩展和实时异常检测解决方案提供了一个有前途的方法.
• 拟议的神经网络框架显示了提高物联网安全性的巨大潜力.
• 未来的研究应该专注于实际实施,并纳入额外的数据集和ML方法,以提高模型的灵活性和弹性.