CNN-BiLSTM-Based Classification of RPL Attacks in IoT Smart Grid Networks (Industry Track)
Notice bibliographique
Résumé
The widespread integration of Internet of Things (IoT) technology in modern electrical power grids has given rise to the emergence of Industrial IoT Smart Grid Networks. However, the utilization of the Routing Protocol for Low-Power Lossy Networks (RPL) in IIoT Smart Grid Networks exposes them to significant risks of routing attacks due to their global connectivity and resource limitations. This paper proposes a hybrid deep neural network approach that utilizes the CNN-BiLSTM network for the detection and classification of attacks in the RPL protocol of IoT Smart Grid Networks. Relevant preprocessing and feature enhancement techniques are applied to engineer and enhance pertinent features. The Synthetic Minority Oversampling Technique (SMOTE) is employed to address the data imbalance problem. The performance of the proposed approach is evaluated and compared with seven different deep learning and traditional classification algorithms on two scenarios. First, we simulate an IIoT network and various types of attacks mentioned in [6]. The results demonstrate the superior performance of the CNN-BiLSTM based approach, achieving an accuracy of 91%, precision of 89%, and recall of 89% in detecting various RPL attacks. Next, we apply the proposed approach to another dataset collected from nine commercial IoT devices infected by two botnets [19]. The approach outperforms other machine learning-based approaches with an accuracy of 90%, precision of 89%, recall of 90%, and F1-score of 89%, which demonstrates the practical applicability of the proposed approach in real-world industrial settings.
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 | 0,002 |
| 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 ».