An Ensemble-Based Hybrid Model for the Detection of Attacks in the Internet of Vehicular Things
Notice bibliographique
Résumé
The Internet of Vehicles (IoV) enables technology that allows IoV and vehicles to connect everything. IoV has become an essential component of modern life. This exponential growth of IoV technology has introduced significant security and privacy issues, which pose potential threats to different types of attacks and cause different threats to the normal operation of vehicles. To prevent intelligent vehicle accidents and identify malicious attacks within IoV networks, various researchers have focused on machine learning (ML)-based methods to detect attacks. Intrusion detection systems (IDS) are a prominent solution for cyber attacks in IoV using ensemble learning. To achieve higher accuracy and detection rate, designing an improved detection framework using ensemble learning is a challenging task. The design of an ensemble-based IDS depends on two main challenges: selecting base classifiers and their combination methods. Therefore, in this study, we propose a hybrid ML model to detect various attacks in IoV. We have used different ML algorithms to develop an enhanced algorithm that can efficiently detect attacks in IoV networks. To evaluate the performance of the proposed system, we have used two well-known datasets, (CIC-IDS2017) and (UNSW-NB15). The proposed algorithm shows outstanding performance from the performance results, with an average attack detection accuracy of 99.75% and 100% and an F1 score of 99.74% and 100%, respectively, for both datasets. Further performance scores, that is, recall, precision, and F1 score metrics, validate the exceptional effectiveness of the proposed framework.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».