MLSTL-WSN：基于 SMOTETomek 的无线传感器网络机器学习入侵检测

无线传感器网络（WSNs）作为基础设施发挥着关键作用，涵盖静态和移动传感器。这些传感器自组织并建立多跳连接以进行通信，共同感知、收集、处理并传输有关其周围环境的数据。尽管意义重大，WSNs 仍面临快速且有害的攻击，可能破坏其功能。现有的 WSNs 入侵检测方法面临检测率低、计算开销大和误报率高等挑战。这些问题源于传感器节点资源受限、数据冗余以及网络内的高相关性。为应对这些挑战，我们提出了一种创新的入侵检测方法，将机器学习（ML）技术与合成少数类过采样技术 Tomek 链接（SMOTE-TomekLink）算法相结合。该组合合成少数类实例并消除 Tomek 链接，从而生成平衡数据集，显著提升 WSNs 中的检测准确率。此外，我们通过标准化引入特征缩放，使输入特征一致且可扩展，促进更精确的训练与检测。为抵消 WSNs 数据集的不平衡问题，我们采用 SMOTE-Tomek 重采样技术，缓解过拟合与欠拟合问题。我们使用包含 374,661 条记录的 WSN 数据集（WSN-DS）进行了全面评估，确定了 WSNs 入侵检测的最优模型。我们研究的突出成果是模型的卓越性能：在二分类任务中准确率达到 99.78%，在多分类任务中达到 99.92% 的 exceptional 准确率。这些发现凸显了我们所提方案在 WSN 入侵检测背景下的效率与优越性，展示了其在检测和缓解 WSNs 入侵方面的有效性。