面向安全物联网环境的分布式机器学习中哈里斯鹰特征选择
机器学习
2023-02-24 v1 密码学与安全
信号处理
摘要
物联网（IoT）的发展极大地拓展了我们的日常生活，在智慧城市、医疗和建筑赋能中发挥着关键作用。IoT 等新兴技术力求提升认知城市中的服务质量。尽管 IoT 应用在智能建筑中颇有帮助，但它们带来了真实风险，因为那些建筑中使用异构网络的大量互联设备增加了潜在 IoT 攻击的数量。IoT 应用可收集和传输敏感数据。因此，有必要开发新方法来检测被入侵的 IoT 设备。本文提出一种基于哈里斯鹰优化（HHO）和随机权重网络（RWN）的特征选择（FS）模型，用于检测来自被攻陷 IoT 设备的 IoT 僵尸网络攻击。分布式机器学习（DML）旨在边缘设备上本地训练模型而不将数据共享至中心服务器。因此，我们使用集中式和分布式 ML 模型应用所提方法。两种学习模型在用于 IoT 僵尸网络攻击的两个基准数据集下进行评估，并使用不同评价指标与其他知名分类技术比较。实验结果表明，在大多数情况下准确率、精确率、召回率和 F-measure 有所提升。所提方法平均 F-measure 达 99.9%。结果显示，DML 模型在保持数据本地化的同时取得了与集中式 ML 相竞争的性能。
引用
@article{arxiv.2302.12205,
title = {Harris Hawks Feature Selection in Distributed Machine Learning for Secure IoT Environments},
author = {Neveen Hijazi and Moayad Aloqaily and Bassem Ouni and Fakhri Karray and Merouane Debbah},
journal= {arXiv preprint arXiv:2302.12205},
year = {2023}
}
备注
Accepted in IEEE ICC 2023