面向物联网入侵检测的混合机器学习模型：基于真实物联网数据集的实证研究
密码学与安全
2025-02-19 v1 人工智能
摘要
物联网（IoT）的快速发展正在革新各行业，实现了前所未有的连接性和功能性。然而，这一扩张也增加了漏洞，使 IoT 网络面临日益复杂的网络攻击。入侵检测系统（IDS）对于缓解这些威胁至关重要，近期的机器学习（ML）进展为改进提供了有前景的途径。本研究探索了一种混合方法，组合使用随机森林（RF）、XGBoost、K 近邻（KNN）和 AdaBoost 等多个独立 ML 模型构建基于投票的混合分类器，以实现有效的物联网入侵检测。该集成方法利用各算法的优势，提升准确率，解决数据复杂性和可扩展性相关挑战。使用广泛引用的 IoT-23 数据集作为物联网网络安全研究的基准，我们评估了混合分类器在二分类和多分类入侵检测问题中的表现，确保与现有文献的公平比较。结果表明，所提出的混合模型在物联网环境下优于单一方法，具备鲁棒性和可扩展性。该工作推动了面向不断演变网络威胁的高级智能 IDS 框架的发展。
关键词
引用
@article{arxiv.2502.12382,
title = {Hybrid Machine Learning Models for Intrusion Detection in IoT: Leveraging a Real-World IoT Dataset},
author = {Md Ahnaf Akif and Ismail Butun and Andre Williams and Imadeldin Mahgoub},
journal= {arXiv preprint arXiv:2502.12382},
year = {2025}
}
备注
9 pages, 8 figures, 2 tables, journal submission