面向物联网环境的入侵检测：基于Kolmogorov-Arnold 网络的高级集成方法
密码学与安全
2024-08-30 v2 人工智能
摘要
近年来，机器学习技术的演进在物联网领域的入侵检测方面产生了重大影响。随着物联网网络的扩张，针对潜在威胁的稳健安全措施需求日益紧迫。本文引入一种混合式入侵检测系统（IDS），将Kolmogorov-Arnold 网络（KANs）与XGBoost算法 synergistically 结合。我们提出的IDS利用KANs的独特能力，这些网络利用可学习的激活函数来建模数据中的复杂关系，同时借助XGBoost的集成学习技术，该技术因在分类任务中卓越的性能而著名。这种混合方法不仅提高了检测准确率，也提高了模型的可解释性，使其适用于动态且复杂的物联网环境。实验评估表明，我们的混合IDS在区分良性与恶意活动方面实现了超过99%的检测准确率。此外，我们实现了超过98%的F1分数、精确率和召回率。进一步，我们对传统多层感知器（MLP）网络进行了比较分析，评估了精确率、召回率和F1分数的绩效指标。结果凸显了将KANs与XGBoost集成的有效性，突显了这种创新方法有望显著强化物联网网络安全框架的潜力。
引用
@article{arxiv.2408.15886,
title = {Enhancing Intrusion Detection in IoT Environments: An Advanced Ensemble Approach Using Kolmogorov-Arnold Networks},
author = {Amar Amouri and Mohamad Mahmoud Al Rahhal and Yakoub Bazi and Ismail Butun and Imad Mahgoub},
journal= {arXiv preprint arXiv:2408.15886},
year = {2024}
}
备注
To be presented at the 11th International Symposium on Networks, Computers and Communications (ISNCC'24) will be held in Washington DC- USA, from October 22 to 25, 2024. Accepted (6 pages and 5 figures)