iPASecIoT: An intelligent pipeline for automatic and adaptive feature extraction for secure IoT device identification and intrusion detection
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
The widespread integration of Internet of Things (IoT) devices has enhanced the intelligence of homes, industries, and offices, yet it introduces critical security challenges due to their susceptibility to dynamic threats and behavioral heterogeneity, necessitating identification via communication patterns rather than mere physical recognition. This paper addresses the demand for a unified security framework in IoT ecosystems, where devices, limited by diverse protocols and constrained computational resources, face attacks such as DNS tunneling, MAC spoofing, and several other threats. Existing approaches, which rely on coarse-grained signatures or segregated machine learning for device identification and intrusion detection, exhibit limited resilience, increased operational overhead, poor cross-network adaptability, and scalability constraints in real-time dynamic settings. We propose iPASecIoT, a single-model framework that concurrently identifies IoT devices and detects intrusions using fine-grained behavioral fingerprints. Our methodology combines machine and deep learning algorithms with a modified firefly algorithm employing a kappa score-based voting mechanism for adaptive feature selection, yielding a lightweight, resource-efficient model by optimizing agreement beyond chance across network traffic, inter-arrival times, and protocol-specific features. Evaluated on the CICIoMT2024, CICIoT2023, and UNSW2019 datasets, iPASecIoT achieves mean F1 scores of 99.99 %, 99.88 %, and 98.35 % for device identification and 99.96 %, 99.38 %, and 98.79 % for threat classification across the CICIoMT2024, CICIoT2023, and UNSW2019 datasets, respectively. With a mean inference time of 0.0005 seconds per sample and a mean Hamming loss of ≈ 0.001, iPASecIoT provides a pioneering, efficient, and scalable solution to counter evolving security threats in heterogeneous IoT environment.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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