IIDS：面向物联网应用的智能入侵检测系统设计
密码学与安全
2023-08-03 v1
摘要
随着技术的快速发展，安全攻击急剧增加。在医疗和国防等许多关键的物联网（IoT）应用中，安全攻击的早期检测对于保护大量资源起着重要作用。入侵检测系统被用于解决此问题。基于签名的方法无法检测零日攻击。因此，特别是基于AI工具的异常检测正变得流行。此外，不平衡数据集会导致有偏的结果。在机器学习（ML）模型中，F1分数是衡量类级正确预测精度的重要指标。如果F1分数相当低，模型可能无法检测目标样本。这将导致医疗和国防等敏感应用中不可挽回的后果。因此，F1分数的任何提升都对资源保护有显著影响。在本文中，我们提出了一个针对不平衡数据集的基于ML的入侵检测系统框架。本研究考虑了最新的数据集，即CICIoT2023。所提框架中使用了随机森林（RF）算法。与现有方法相比，所提方法在精确率、召回率和F1分数上分别提升了3.72%、3.75%和4.69%。此外，对于未饱和类（即F1分数<0.99的类），F1分数显著提升了7.9%。因此，所提方法更适用于物联网安全应用中对入侵的高效检测，并对进一步研究有用。
引用
@article{arxiv.2308.00943,
title = {IIDS: Design of Intelligent Intrusion Detection System for Internet-of-Things Applications},
author = {KG Raghavendra Narayan and Srijanee Mookherji and Vanga Odelu and Rajendra Prasath and Anish Chand Turlapaty and Ashok Kumar Das},
journal= {arXiv preprint arXiv:2308.00943},
year = {2023}
}