Network Intrusion Detection for IoT-Botnet Attacks Using ML Algorithms
Notice bibliographique
Résumé
Amid the expanding landscape of IoT-Botnet attacks, this research delves into the augmentation of Network Intrusion Detection (NID) through the utilization of Machine Learning (ML) algorithms. Beginning with an exploration of NID's vital role in cybersecurity, this study embarks on a comprehensive investigation. Within a controlled IoT lab, in Canadian Institute for Cybersecurity (CIC), both legitimate and malicious traffic data are meticulously captured and subjected to thorough analysis. Simulated attacks, executed via Kali Linux tools, generate datasets converted into csv formats for systematic examination. The devised methodology encompasses an array of stages, including meticulous data pre-processing, effective partitioning, prudent feature scaling, and the rigorous assessment of diverse ML algorithms-namely, Decision Tree, Random Forest, Logistic Regression, KNeighbors Classifier, and Gaussian Naïve Bayes. Through meticulous training and meticulous testing, the Decision Tree Classifier emerges as a standout performer, demonstrating an impressive accuracy rate of 99.17%. Close behind, the Random Forest Classifier exhibits a commendable accuracy of 99.11%, while the KNeighbors Classifier achieves a noteworthy 98.22% accuracy. These outcomes underline the profound potential of ML algorithms in not only identifying but also effectively countering the escalating challenges posed by IoT-Botnet attacks. The cumulative results of this study contribute substantially to the reinforcement of IoT network security, effectively safeguarding against the ever-evolving landscape of threats.
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 | 0,001 | 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 ».