Deep Feature Extraction Framework Based on DNN for Enhancing Mirai Attachment Classification in Machine Learning
Notice bibliographique
Résumé
Nowadays, the rapid growth of Internet of Things (IoT) devices has changed many parts of our lives by providing seamless connectivity and automation. However, this expansion has created new challenges and vulnerabilities, especially with regard to security. Mirai botnet, a strain of malware that has severely damaged the IoT ecosystem, is one of the prominent risks to IoT security. This research examines the impact of the Mirai botnet on IoT devices. In this study, we present a hybrid model to detect Mirai attacks. Deep neural networks (DNNs) are used to extract significant deep features, which are subsequently passed to the (Light Gradient Boosting Machine) LGBM algorithm for classification. A dataset from the Canadian Institute 2023 that included several kinds of Internet of Things assaults was used to assess the model. The model achieved excellent feature extraction and promising results with accuracy, recall, precision, and F1-score scoring up to 95 % for all. These accuracy results demonstrated the superior performance of the suggested model over competing techniques, which had scores of 71 %, 85%, and 52%, respectively, for Support Vector Machine (SVM), Light Gradient Boosting Machine (LGBM), and Stochastic Gradient Descent (SGD). Furthermore, the model outperforms the DNN model, which received a score of 65%.
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 | 0,000 |
| 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 ».