Machine Learning for Intrusion Detection in IIoT: A Comprehensive Review
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
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.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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