Enhancing IoT Security via Optimized Dual Chain-Channel Device Identification and Attack Detection Scheme
Notice bibliographique
Résumé
In a world of 8.2 billion people, there are more than 18 billion connected Internet of Things (IoT) devices in 2024. This massive adoption and application of IoT has increased security concerns due to their vulnerability to various cyberattacks. Identifying connected devices is a proactive measure to accurately provide high-level security. Therefore, this paper proposes a novel dual-purpose framework for simultaneous identification of IoT devices and attack detection. An improved Firefly Algorithm (FA) with Matthews-Correlation Coefficient (MCC)-based voting is applied for feature optimization. To achieve simultaneous device identification (DI) and attack detection (AD) functions, the ClassifierChain model integrates XGBoost (XGB), Random Forest (RF), and Decision Tree (DT) as metalearners. Additionally, a one-dimensional convolutional neural network (1DCNN) with a dual output channel is implemented. FA optimizes feature selection to improve computational efficiency and model performance, while ClassifierChain enables multioutput classification to identify device types and detect attackspecific traffic flows. Experimental results in three (3) benchmark IoT datasets demonstrate superior accuracy, precision, and recall compared to traditional approaches. By precisely identifying IoT devices and simultaneously detecting the type of traffic flow, the proposed method offers robustness and improvement to the existing literature that handles these tasks independently.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 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 ».