Machine Learning for Intrusion Detection in IIoT: A Comprehensive Review
Notice bibliographique
Résumé
In recent years, the Industrial Internet of Things (IIoT) has grown rapidly, with the potential to transform and connect many industries, opening up major opportunities for the global economy. IIoT extends to industries such as manufacturing, logistics, transportation, energy, oil and gas, mining and aviation. However, despite its advantages, the IIoT is exposed to increasing cyber attacks due to the large amount of data generated by its many sensors. These attacks create an increased need for advanced security solutions. Intrusion detection systems (IDS), which monitor network traffic and identify abnormal behavior, are essential to protect IIoT networks. Machine learning (ML) is an effective solution to improve IDS performance by enabling proactive intrusion detection. This literature review explores ML-based detection techniques, highlighting supervised, unsupervised and deep learning methods. The main objective of this research is to present and analyze different approaches of machine learning applied to intrusion detection in IIoT, as well as the data sets used and comparative results obtained in existing studies. We also highlight the challenges and limitations of these approaches, such as managing resources, reducing false positives and adapting to new threats. This review concludes that the use of supervised or hybrid models and solutions, such as supervised or federated learning, could improve the security of IIoT systems. Finally, this research provides future directions to overcome the challenges of model scalability and optimization in order to better meet the increasing safety requirements in industrial 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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».