Spatial Data Transformation and Vision Learning for Elevating Intrusion Detection in IoT Networks
Notice bibliographique
Résumé
Network intrusion detection systems (NIDSs) are vital for identifying security attacks and predicting early invasion attempts, which is essential for protecting the Internet. Recently, deep learning (DL) has made significant achievements in enhancing intrusion detection accuracy. Nevertheless, the practical implementation of high-complexity DL models is limited by the constrained computational capabilities of the Internet of Things (IoT) devices, e.g., home routers and IoT gateways. This article introduces a novel NIDS approach explicitly tailored for IoT networks, leveraging a lightweight DL model. During the data preprocessing phase, we use a spatially enriched data conversion technique to decrease the dimensionality of high-dimensional raw traffic variables. This helps to offset the problem of increased model complexity. Furthermore, when spatial relationships often exist in the data, we can simplify the learning architecture by utilizing state-of-the-art vision transformer techniques in the computer vision field that can substantially reduce model complexity. The experimental results indicate that the proposed method achieves outstanding accuracy up to 99.57% with high-volume traffic input. Moreover, the proposed method reaches substantial reductions in learnable parameters by 55.35% and 82.07%, along with a remarkable decrease in floating point operations (FLOPs) by 93.56% and 99.28% compared to existing studies. The outstanding achievement highlights the proposed method’s ability to balance model complexity and accuracy performance, making it extremely appropriate for deployment on IoT gateways with limited resources.
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 | 0,002 | 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 | 0,002 |
| Science ouverte | 0,000 | 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 ».