A Feature-Aware Adaptive Ensemble Framework for IoT Intrusion Detection Systems
Notice bibliographique
Résumé
Intrusion Detection Systems (IDS) are essential for Internet of Things (IoT) security, but single models often fail due to IoT data heterogeneity. While machine learning ensembles combine complementary strengths, conventional static weighting schemes, such as majority voting and temporal stacking, do not adapt to sample-specific features and may underperform in diverse IoT scenarios. To address these limitations, we propose a dynamic feature-weighting ensemble framework for intrusion detection in IoT networks that combines adaptive weighting with a selected set of complementary base models suited to different traffic patterns. The approach combines four complementary models: Gradient Boosted Trees (LightGBM), Bagging-based Random Forest (RF), Instance-based k-Nearest Neighbors (kNN), and Deep Feedforward Neural Networks (FNN). It dynamically adjusts their weights based on the active features of each incoming traffic flow, emphasizing models best suited to specific patterns (e.g., LightGBM for packet-header patterns, FNN for nonlinear TCP flag interactions). Evaluated on the CICIoT2023 dataset, the framework achieved 99.95% precision and 98.59% recall, resulting in a$73 \%-97 \%$reduction in false positives (FP) and a$9 \%-30 \%$reduction in false negatives (FN) compared to individual models.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».