Learning-enabled Intrusion Detection in IoT: Current Challenges and Future Directions
Notice bibliographique
Résumé
Machine and deep learning-enabled intrusion detection in the Internet of Things (IoT) still pose a significant challenge, primarily due to the heterogeneity of sensors, diverse nature of generated data, and perpetual evolution of attack vectors. This paper presents a comparative study of supervised and unsupervised learning techniques using two state-of-the-art IoT security datasets: TON-IoT and Edge-IIoT. We analyze the performance of six supervised algorithms (Random Forest, XGBoost, SVM, KNN, Logistic Regression, and Naive Bayes), three unsupervised detection methods (K-Means, Isolation Forest, and One-Class SVM), and a multilayer perceptron (MLP) deep learning model. The findings indicate that supervised approaches, particularly XGBoost and Random Forest, exhibit superior performance compared to unsupervised methods on both datasets. The discrepancies in the empirical results on the studied datasets can be attributed to the inherent characteristics of the data: namely, its raw, noisy, and heterogeneous nature for TON-IoT, as opposed to its preprocessed and more homogeneous state for Edge-IIoTset. Moreover, our thorough investigation reveals several noteworthy limitations, including significant class imbalance, variability across sensors, and the absence of discernible intrusion signals on certain devices. Finally, the practical implications for deploying an intrusion detection system in real IoT environments are discussed, including the need for lightweight, federated models capable of exploiting multi-sensor fusion.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,011 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».