Ensemble of Tree Classifiers for Improved DDoS Attack Detection in the Internet of Things
Notice bibliographique
Résumé
IoT networks are made up of devices that have few computer resources, like less battery life, less processing power, less memory, and most importantly, minimum security, defense mechanisms, and infrastructure to protect them.As the number of IoT devices are growing fast, we can't ignore the impact of large-scale DDoS attacks that come from IoT devices.Artificial intelligence, including Deep Learning and machine learning (ML), is critical in the categorization and detection of DDoS attacks in the Internet of Things.We hope to contribute to current research by enhancing the efficiency with which Intrusion Detection Systems (IDS) identify DDoS attacks.This research paper focuses on exploring the effectiveness of tree-based classifiers and ensemble classifiers.The ensemble approaches used are voting and Stacking with a particular focus on Step Forward Feature Selection and average feature importance methods by performing evaluation to improve the classification of DDoS attacks, Decision Tree (DT), Extra Tree (ET), Random Forest (RF), and Extreme Gradient Boosting (XGBoost) were selected as the best tree classifiers.Hyper-parameter tuning was performed to improve the performance of the classifiers.The proposed models are trained on Bot-IoT, CICIoT2023, and DS2OS datasets.The tree-based classifiers with ensemble of Stacking and voting demonstrated their capability to effectively detect and classify DDoS attacks.The result obtained from the proposed approach showcase an impressive accuracy rate of over 99%.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 | 0,000 |
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 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 ».