面向高度不平衡数据的物联网网络网络攻击检测
机器学习
2025-05-19 v1 人工智能
密码学与安全
摘要
由于物联网（IoT）网络数量的快速增长，网络风险呈指数级上升，因此必须开发出能够在高度不平衡数据集上工作的有效入侵检测系统（IDS）。高比例的威胁漏报是结果，传统机器学习模型在正常数据量远大于攻击数据量时倾向于难以识别攻击。例如，本研究中使用的数据集显示出强烈的类别不平衡，包含 94,659 条多数类实例和仅 28 条少数类实例，这使得准确确定罕见攻击极具挑战性。通过设计用于改善 IoT 领域数据不平衡检测准确性的混合抽样技术来解决本研究提出的挑战。应用这些技术后，我们评估了 Random Forest、Soft Voting、支持向量分类器（SVC）、K 近邻（KNN）、多层感知器（MLP）和逻辑回归等几种机器学习模型在网络攻击分类中的性能。获得的结果表明，Random Forest 模型以 Kappa 系数 0.9903、测试准确率 0.9961 和 AUC 0.9994 实现了最佳性能，Soft Voting 模型也表现出色，准确率为 0.9952，AUC 为 0.9997，表明组合模型预测的优势。总体而言，本工作证明了混合抽样结合稳健模型和特征选择对提高高度不平衡数据环境下 IoT 网络的网络安全具有显著作用。
引用
@article{arxiv.2505.10600,
title = {Enhancing IoT Cyber Attack Detection in the Presence of Highly Imbalanced Data},
author = {Md. Ehsanul Haque and Md. Saymon Hosen Polash and Md Al-Imran Sanjida Simla and Md Alomgir Hossain and Sarwar Jahan},
journal= {arXiv preprint arXiv:2505.10600},
year = {2025}
}
备注
Published paper of CSNT2025