Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Detection of IoT Cyberattacks in Smart Cities: A Comparative Analysis of Deep Learning and Ensemble Learning Methods
Rok: 2024
Druh publikace: článek ve sborníku
Název zdroje: Novel and Intelligent Digital Systems (NiDS 2024)
Název nakladatele: Springer Nature Switzerland AG
Místo vydání: Cham
Strana od-do: 549-560
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Detekce kybernetických útoků na IoT ve chytrých městech: Srovnávací analýza metod hlubokého učení a ensemble learning V této studii jsme se pustili do srovnávací analýzy technik hlubokého učení (DL) a přístupů ensemble learning za účelem zlepšení zabezpečení IoT. Konkrétně jsme zkoumali výkonnost modelů Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), Random Forest (RF) a AdaBoost při klasifikaci jak binární, tak konkrétních vektorů útoků. K hodnocení byly použity nevyvážené a objemné datové sady UNSW-NB15 a CICIDS2017. Empirické důkazy z našich experimentů naznačují, že RF vykazuje nejvyšší účinnost ze všech testovaných metod, s přesností a F1 skóre v rozmezí 99,68 % až 99,90 %. V rámci paradigmat hlubokého učení dosáhl model MLP nejvyššího F1 skóre (99,17 %) a nejnižší míry falešně pozitivních výsledků (FPR) 0,0037 při použití datové sady UNSW-NB15, ve srovnání s ostatními DL modely. Celkově navržené modely vykazují vynikající výkon při úkolech binární klasifikace. To však neznamená, že jsou vhodné pro detekci všech typů útoků, jak ukazují výsledky detekce jednotlivých útoků. Navíc modely použité v této práci dosáhly lepších výsledků ve srovnání s existujícími modely, které pracovaly s menšími vzorky těchto datových sad. Kyberútok; Hluboké učení; Skupinové učení; Detekce vniknutí; IoT; Chytré město
eng Detection of IoT Cyberattacks in Smart Cities: A Comparative Analysis of Deep Learning and Ensemble Learning Methods In this study, we embarked on a comparative investigation of Deep Learning (DL) techniques and ensemble learning approaches for enhancing IoT security. Specifically, we scrutinized the performance of Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), Random Forest (RF), and AdaBoost models evaluated to both binary and specific attack vector classifications. The imbalanced and voluminous datasets of UNSW-NB15 and CICIDS2017 were employed for evaluation. The empirical evidence gleaned from our experiments suggests that RF exhibits superior efficacy over its counterparts, with accuracy and F1-score in the range of 99.68% to 99.90%. Within the DL paradigm, the MLP model achieved the highest F1-score (99.17%) and the lowest False Positive Rate (FPR) of 0.0037 using UNSW-NB15, among DL models. Overall, the proposed models exhibit commendable performance in binary classification tasks. However, this does not indicate their suitability for the detection of all types of attacks, as the individual attack detection result shows. Furthermore, models employed in our work demonstrated superior results as compared to existing models that used smaller sample sizes of these datasets. Cyberattack; Deep Learning; Ensemble Learning; Intrusion Detection; IoT; Smart City