Smart intrusion detection system with balanced data in IoMT infra
Dossier post-publication
Source : Retraction Watch, jointe par DOI. OpenAlex consigne la rétractation dans is_retracted, un booléen sur un espace d'états à au moins quatre valeurs ; il ne peut donc exprimer ni une expression de préoccupation, ni une correction, ni un rétablissement, et les rapporte comme false, ce qui se lit comme « rien à signaler ».
Notice bibliographique
Résumé
The IoMT (Internet of Medical Things) has allowed for uninterrupted, critical patient observation, improved diagnosis precision, and efficient therapy. However, despite the usefulness of such medical things (devices), they also raise a lot of confidentiality and security issues since they provide potential entry points for hackers to exploit. Therefore, there is a pressing need for a technique for detecting network intrusions that combines precision, flexibility, and consistency. Addressing diverse information sources is challenging for finding negligible intrusions in sophisticated network systems, a core problem for current Intrusion Detection Systems (IDS). In this research, we propose a deep learning-based method for efficient network IDS in cases when data is unevenly distributed. Therefore, to address the poor identification rate of intrusions, we present a unique CGAN-CNN (Conditional Generative Adversarial Network-Convolutional Neural Network) IDS approach that oversamples from the unbalanced information based on the CGAN paradigm to overcome the functional deterioration induced by such unbalanced data, especially during intrusion detection. In addition, the sub-networks’ critic and generator each get additional constraints as part of the CGAN’s standard operating procedure, which helps to reduce the amount of leeway in the convergence process and speeds up the impact of convergence. To validate the effectiveness of the suggested model, we conducted an investigation using the most contemporary publicly available datasets, namely NIDS (Network Intrusion Detection System), and the CICDDoS2019 (Canadian Institute for Cybersecurity Distributed Denial of Service 2019) dataset from the Canadian Institution for Cybersecurity, and for healthcare-oriented image datasets Kaggle, respectively. The experimental findings validated the superiority of the CGAN-CNN approach described in this research. Notified as more trustworthy indications, F1-score and precision performed at 97.88%, and 97.15%, respectively.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».