Strategi dan Efektivitas Deep Learning untuk Mitigasi Ancaman Keamanan Jaringan di Era IoT
Notice bibliographique
Résumé
Pertumbuhan pesat perangkat Internet of Things (IoT) telah membuka peluang besar dalam transformasi digital di berbagai sektor, namun juga menghadirkan tantangan serius terkait keamanan jaringan. Perangkat IoT yang umumnya memiliki kapasitas komputasi terbatas menjadi sasaran empuk bagi berbagai jenis serangan siber. Penelitian ini bertujuan untuk mengevaluasi efektivitas berbagai pendekatan deep learning dalam mendeteksi ancaman keamanan pada jaringan IoT secara otomatis dan adaptif. Metode yang digunakan mencakup eksperimen komparatif terhadap beberapa arsitektur deep learning, seperti Transformer, CNN + LSTM, dan GAN + CNN, dengan memanfaatkan dataset publik UNSW-NB15. Penilaian performa dilakukan menggunakan metrik evaluasi seperti akurasi dan F1-score, serta analisis kemampuan model dalam mendeteksi serangan kompleks seperti DDoS, port scanning, dan serangan zero-day. Hasil penelitian menunjukkan bahwa model Transformer unggul dengan akurasi mencapai 99,1%, sementara model GAN + CNN menunjukkan keunggulan dalam mendeteksi pola serangan baru yang belum dikenali sebelumnya. Model CNN + LSTM juga terbukti efektif dalam menangkap pola spasio-temporal serangan. Penelitian ini memberikan kontribusi signifikan dalam pengembangan sistem deteksi intrusi cerdas berbasis deep learning untuk ekosistem IoT. Temuan ini berpotensi diterapkan pada sistem keamanan jaringan real-time dan berskala besar yang adaptif terhadap ancaman baru.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».