Optimizing IoT Network Intrusion Detection: A Deep Learning Approach
Notice bibliographique
Résumé
Network Intrusion Detection System (NIDS) serves as a essential component in data protection by monitoring computer networks for threats that can bypass conventional defenses such as malware and hackers. Deep learning (DL) techniques provide a promising approach for analyzing raw IoT network data to identify subtle patterns indicative of intrusion attempts. This study addresses a crucial research gap by developing a Deep Convolutional Neural Network (DCNN) model specifically designed for the efficient detection of stealthy and polymorphic variants while reducing false positives. Utilizing the NF-ToN-IoT dataset, the proposed model achieves outstanding performance metrics on test data, with an accuracy of 0.9923, precision of 0.9925, recall of 0.9979, and F1 score of 0.9952. To comprehensively evaluate the robustness of the model, a multi-dataset validation strategy is employed. The model is retrained and assessed on established benchmark datasets on IoT Networks, including NF-UNSW-NB15, NF-UNSW-NB15-v2 and NF-BoTIoT, demonstrating exceptional performance. Furthermore, the significance of the contribution is validated by comparing the proposed model against previously established architectures such as CNN+BiLSTM, DNN, GRU+RNN, and CNN+LSTM using the NF-ToN-IoT dataset. The proposed model consistently outperforms these prior models, highlighting its efficacy and advancements in the field. Additionally, an ablation study is conducted to analyze the individual components of the Deep CNN model, providing insights into their contributions towards detecting malware traffic and offering guidance for optimizing future NIDS models in the cybersecurity domain. Making our work available open-source on https://github.com/codewithkhurshed/IDSIUB can enhance its accessibility and promote future research opportunities in Network Intrusion Detection.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».