Multiclass Feature Selection Model for Adversarial Attacks in IoT Environment
Notice bibliographique
Résumé
Malware attacks have become prevalent in the uti-lization of Internet of Things (IoT) networks. The security and re-liability of IoT networks and information systems are significantly threatened by this. Machine learning-based Intrusion Detection Systems (IDS) are ineffective in countering these cyber threats due to the widespread distribution of malware. This research presents a method for choosing features that utilize Generative Adversarial Networks (GAN) to enhance the effectiveness of Intrusion Detection Systems (IDS) by reliably and promptly identifying both new and previously known threats in real-time in the IoT environment. Our feature selection method consists of two parts. First, we employed the Mutual Information (MI) technique to reduce the required features. Second, we employed exclusion and inclusion feature selection techniques which rely on discriminator accuracy to detect adversarial attacks. We performed an experiment using the proposed method on the CICIOT 2023 dataset, which includes a diverse range of IoT attack incidents. To the best of our knowledge, our proposed effort is the initial endeavor to utilize a feature selection method on this recently introduced dataset. The selection of 20 features for generating new data with optimal evaluation accuracy was accomplished using a Convolutional Neural Network (CNN) and a Mutual Information Classifier, incorporating exclusion and inclusion techniques. Ultimately, we utilized a Recurrent Neural Network (RNN) with a limited set of features to classify malware attacks. Subsequently, we evaluated the correctness of the classification by considering prominent features, resulting in a commendable accuracy rate of 93%.
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) | 0,001 | 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 ».