Intelligent Ensemble based System for Rare Attacks Dectection in IoT Networks
Notice bibliographique
Résumé
The lack of security techniques that assures the integrity of data generated by the Internet of Things networks is one of the major stumbling blocks that hinders the whole development of these networks. As smart devices generate and transmit confidential and sensitive data, in these cases, data leakage can lead in many cases to drastic consequences. These types of attacks are called compromised attacks and the U2R and R2L subcategories are typical examples. Despite various intrusion detection systems designed for detecting compromised attacks, many of them are deficient and suboptimum due to the highly sophisticated behavior of these attacks that mimic normal ones, as well as the rarity of occurrence, and lack of training records keep this area inconclusive. Therefore, this paper presents an ensemble-based intrusion detection system to identify rare hard-to-detect attacks (U2R and R2L) in IoT networks. The ensemble is composed of two main tiers. Each tier consists of a major improved KNN classifier driven by multiple auxiliary classical KNN classifiers. the combined responses of these detection tires are fused to provide the optimal detection performance for minority attacks. The experimental analysis unveiled that the proposed system achieved a high detection accuracy reaches up to 96.65% and 100% for R2L and U2R respectively along with Cohen's kappa coefficient reaches up to 0.9778 and 0.996, which confirms the reliability and robustness of the proposed system to be deployed in loT networks.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».