IoTSecUT: Uncertainty-Based Hybrid Deep Learning Approach for Superior IoT Security Amidst Evolving Cyber Threats
Notice bibliographique
Résumé
The rapid expansion of digital infrastructure has led to increased security threats. Deep Learning (DL) algorithms have emerged as potent tools for detecting cyberattacks in IoT ecosystems. However, challenges like imbalanced class distribution and vast data volumes remain, resulting in inaccurate classification outcomes and inflated accuracy rates. Additionally, memory-constrained IoT devices often find it challenging to accommodate robust DL methods. This paper introduces an innovative approach that addresses class imbalance and the challenges posed by high-dimensional data in intrusion detection systems. Our framework encompasses: (1) a conditional Generative Adversarial Network (cGAN) for minority class upsampling, (2) an auxiliary autoencoder for dimensionality reduction, and (3) an unique hybrid uncertainty-based transformer architecture for efficient network traffic classification. We undertake extensive experiments on two specific datasets: BoT-IoT and CICIDS2018, affirming the efficacy of our hybrid DL-based approach. Initially, we assess the quality of synthetic data produced by various techniques, comparing their Principal Component Analysis (PCA) plots to authentic data. Our GAN-generated data closely mirror the PCA of real data, denoting a high similarity in distribution. Subsequently, we benchmark our auxiliary autoencoder against established dimensionality reduction techniques. The results indicate that our auxiliary autoencoder has significantly lower noise levels than contemporary methods, reducing the data storage volume of network traffic by 93.02% on BoT-IoT and 96.25% on CICIDS2018 datasets. Lastly, we illustrate the enhanced capability of our uncertainty-based attention model in detecting cyberattacks across both datasets.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».