Interactive and Explainable Optimized Learning for DDoS Detection in Consumer IoT Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The integration of Internet of Things (IoT) in consumer environments enhances convenience and security while increasing Human-Computer Interaction (HCI). However, this increased interactivity has also increased the vulnerability of Consumer IoT (CIoT) networks to cyber threats, mainly Distributed Denial of Service (DDoS) attacks. The DDoS attacks, which vary in volume, present substantial challenges to these networks’ operational integrity and customer trust. This paper introduces the Artificial Intelligence (AI)-driven (ADEPT) system that utilizes explainable and optimized deep-ensemble learning with pruning for DDoS detection. The system uses attention-based ensemble DL for DDoS detection, combining Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks. To address the resource constraints of edge devices in CIoT networks, the system uses Differential Evolution (DE)-based pruning and quantization techniques, optimizing the model for efficient deployment on edge nodes while preserving high performance. An HCI interface is designed to allow network administrators and researchers to engage with the system through dynamic visualizations, facilitating complex data interpretation and empowering administrators to refine detection strategies. The interface, integrating SHapley Additive exPlanations (SHAP) and risk assessment, enhances model transparency and interpretability, highlighting the synergy of HCI and AI. The ADEPT system is evaluated using an experimental testbed and CIoT datasets and has demonstrated over 90% accuracy in detecting high- and low-volume DDoS attacks.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle