Intelligent Time Series Analysis for Intrusion Detection in the Internet of Things: A Generative-Adversarial-Network-Enhanced Convolutional-Neural-Network–Long-Short-Term-Memory Framework Using Signal Features
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
From smart cities to healthcare, the internet of things (IoT) has transformed numerous industries. However, this expansion has raised security concerns, particularly cyberattacks. Traditional IoT intrusion detection systems (IDSs) have high false-positive rates and low detection accuracy due to IoT devices and traffic patterns. To overcome these challenges, this research proposes an intelligent-computing-based time series IDS that utilizes sophisticated data augmentation, signal transformation, and deep learning methods. The system begins by augmenting minority-class samples using conditional generative adversarial networks to handle class imbalance. The augmented dataset is then transformed into signal representations based on mel frequency cepstral coefficients, allowing the model to capture both the frequency and temporal characteristics of network traffic. Finally, a hybrid convolutional-neural-network–long-short-term-memory (CNN–LSTM) architecture is trained to identify anomalous behaviors with enhanced accuracy and lower false-positive rates. The proposed model utilizes the Canadian Institute for Cybersecurity CICIoT2023 dataset, which is widely used for network security experiments. The results show that the proposed method outperforms conventional deep learning models in terms of accuracy, precision, and false-positive rate. Specifically, the proposed system improves accuracy by 5% to 10% across different attack types while reducing false-positive rates considerably. The research presents a detailed exploration of the advantages of signal transformation and explains how the CNN and LSTM models complement each other in detecting anomalies. This framework addresses the pressing need for intelligent time series analysis in cybersecurity through the introduction of a scalable and interpretable IDS solution specifically designed for IoT environments.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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