Mašininio mokymo modelių lyginamoji našumo analizė kibernetinių incidentų aptikimui daiktų interneto tinkluose
Ereksonas, Kostas |
Augant naudojamų daiktų interneto įrenginių bei tinklų skaičiui, kyla ir naujos saugumo rizikos, susijusios su šiais daiktų interneto tinklais, ypač įvertinant ribotus daiktų interneto įrenginių skaičiavimo bei kompiuterinius išteklius. Šiame darbe yra pristatoma lyginamoji įvairių bei moklsinės literatūros analizės metu parinktų mašininio ir giliojo mokymo modelių klasifikavimo tikslumo analizė naudojant CIC-IoT-IDS2023 duomenų rinkinį, skirtą apmokyti mašininio mokymo modelius aptikti prieš daiktų interneto įrenginius bei tinklus nukreiptas kibernetines atakas. Taip pat šiame darbe pateiktiami modelių tikslumo rezultatai dvejetainio klasifikavimo, daugiaklasio klasifikavimo bei klasifikavimo pagal kompiuterinio tinkle srauto klasę. Galiausiai yra pateikiamos gaires bei rekomendacijos tolimesniems tyrimams kuriant kibernetinių įsilaužimų aptikimo sistemą naudojimui daiktų interneto tinkluose.
With the ever increasing number of Internet of Things devices, it is crucial to understand and mitigate the potential security risks associated with IoT networks that have limited computational resources. The main idea behind this paper is to do a comparative classification accuracy analysis between a variety of machine learning and deep learning models on a benchmark CIC-IoT-IDS2023 intrusion detection dataset. Machine learning and deep learning models for benchmark were selected by doing a scientific literature review with the goal of training and testing a variety of machine learning models on uniform dataset. Results for binary classification, multi-class classification and classification by category of network traffic (normal or one of seven attack classes) are presented. Lastly, guidelines for potential future works in creating real-time intrusion detection system for IoT networks are presented.