Intrusion detection in IoT and wireless networks using image-based neural network classification
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
Telecommunication networks play more and more important role in our modern times, and there are significant security risks associated with both wireless and wired networks. These risks stem from various malicious actions and security threats that have emerged with the development of Fourth Generation (4G), Fifth Generation (5G), and Internet of Things (IoT) networks. Machine learning (ML) algorithms have been applied to Intrusion Detection Systems (IDSs) due to their capacity to their ability to detect complex network traffic patterns. Deep learning (DL) networks are highly effective in processing images and videos and they have potential to solve other types of data. Given the characteristics of network traffic records used for intrusion detection in wireless and wired networks, we propose a simple data preprocessing method to convert the data into a grid-structured format, making it compatible with image processing networks. To validate the proposed structure, modified LeNet networks have been used for intrusion detection based on the NSL-KDD and CICIoV2024 (Canadian Institute for Cybersecurity Internet of Vehicles 2024 dataset) benchmark datasets. The simulation results indicate that methods based on extracted features may not always guarantee improved performance. The proposed Image Classification Neural Network-based Intrusion Detection (ICNN-ID) outperforms the compared existing methods. The multiclass classification experimental results show that the proposed LeNet-based IDS achieved a test accuracy (TAC) of 89.97% for NSL-KDD and nearly 100% (99.996%) for CICIoV2024. Additionally, it offers higher accuracy and improved robustness compared to a one-dimensional CNN and a recent deep learning model that integrates deep convolutional neural networks (DCNN) and bidirectional long short-term memory (BiLSTM).
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle