All Predict Wisest Decides: A Novel Ensemble Method to Detect Intrusive Traffic in IoT Networks
Notice bibliographique
Résumé
Internet of things (IoT) networks confront vari-ous network intrusion threats due to massively interconnected nodes that form an extensive attack surface for adversaries. Machine learning (ML)-based approaches are widely investigated to address network intrusions. It becomes further challenging to achieve promising performance for multi-class classification so to identify each attack type rather than detection of the presence of intrusion, which involves binary classification. ML models perform divergent detection performance in each class, so it is challenging to select one ML model applicable to all classes prediction. With this in mind, we propose an innovative ensemble learning framework, namely All Predict Wisest Decides (APWD) that builds on training of multiple ML models and testing them independently so to obtain prediction performance for all classes. For each attack category, an expert (i.e., wisest) model that performs the best F1 score, accuracy, lowest false detection rate is determined according to individual model results. The aggregation module makes decisions relying upon the wisest model determined for each class. APWD is a generic framework, and the types of MLs and the number of MLs can be customized in APWD. Experiments under a popular public dataset, NSL-KDD verify the proposed approach APWD by demonstrating that APWD boosts overall accuracy to 0.797, comparing 0.772 by XGBoost, 0.758 by RF, and 0.584 by Adaboost. Moreover, in certain attack types R2L, APWD increases F1 score by a factor of 18, from 0.022 by RF to 0.421.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».