RSM: A Real-time Security Monitoring Platform for IoT Networks
Notice bibliographique
Résumé
The rapid growth of Internet of Things (IoT) resulted in a heightened risk of security breaches, as cybercriminals have begun to target IoT devices and networks with increasingly sophisticated techniques. However, IoT security monitoring platforms face several challenges, including the inability to identify unknown threats, limited real-time prediction capabilities depending on signature-based threat identification, and the need for standardization and integration issues. In this paper, we propose a Real-Time Security Monitoring (RSM) platform based on the results of Deep Learning models, which can predict attacks on IoT networks and visualize the prediction results in a custom-built Power BI dashboard in a real-time manner. To evaluate our proposed solutions, we compare the effectiveness of three deep learning models - Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and Deep Neural Networks (DNN) - using the IoT23 dataset in the context of the binary classification problem. We compare these models based on their accuracy, precision, recall, and F1 score. In addition, our findings show that our proposed platform outperforms existing solutions in terms of accuracy and can predict IoT network attacks with high precision and recall. We also implemented a test bed using a Raspberry PI programmed to send its logs to the nearest connected edge router and a server programmed using Python with a scheduler to pull those logs and show real-time Deep Learning Model prediction results in a Power BI dashboard. Our results demonstrate that the RSM and the Power BI dashboard provide a user-friendly way to monitor IoT Network security in real-time. This study provides valuable insights into applying Deep Learning (DL) and Power BI dashboard in the IoT security monitoring domain.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».