Anzeige
Erschienen in:
27.09.2024
An ensemble learning approach for intrusion detection in IoT-based smart cities
verfasst von: G. Indra, E. Nirmala, G. Nirmala, P. Gururama Senthilvel
Erschienen in: Peer-to-Peer Networking and Applications | Ausgabe 6/2024
EinloggenAktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.
Wählen Sie Textabschnitte aus um mit Künstlicher Intelligenz passenden Patente zu finden. powered by
Markieren Sie Textabschnitte, um KI-gestützt weitere passende Inhalte zu finden. powered by (Link öffnet in neuem Fenster)
Abstract
Der Artikel stellt einen innovativen Lernansatz für die Erkennung von Eindringlingen in IoT-basierten Smart Cities vor, der die dringende Notwendigkeit der Urbanisierung und die sich daraus ergebenden Herausforderungen bei der Aufrechterhaltung des städtischen Umfelds anspricht. Das rasche Bevölkerungswachstum und die zunehmende Bevölkerungsdichte in den Städten haben zu dem Konzept der Smart Cities geführt, die zur Steuerung verschiedener Prozesse stark auf das Internet der Dinge (IoT) angewiesen sind. Allerdings sind IoT-Netzwerke aufgrund ihrer transparenten Natur und der enormen Datenmengen, mit denen sie umgehen, anfällig für Cyber-Angriffe. Der vorgeschlagene Algorithmus Ensemble Gradient Random Forest-based Leopard Seal Search (EGR-LSS) zielt darauf ab, die Genauigkeit und Effizienz von Systemen zur Erkennung von Eindringlingen zu verbessern. Der Artikel beschreibt die Architektur der EGR-LSS-Methode, die Terminal-, Nebel- und Wolkenschichten umfasst, und erklärt, wie Datenvorverarbeitung und Anomalieerkennung mittels Gradient Boosting und Random Forest-Techniken durchgeführt werden. Der Leopard Seal Optimization (LSO) -Algorithmus wird zur Hyperparameteroptimierung eingesetzt, um die hohe Leistung des Modells sicherzustellen. Die Forschungsergebnisse heben auch die Vorteile des EGR-LSS-Ansatzes gegenüber bestehenden Methoden hervor und zeigen seine überlegene Genauigkeit und Effizienz bei der Erkennung verschiedener Arten von Cyber-Bedrohungen. Der Artikel schließt mit einer Diskussion über die Leistung des vorgeschlagenen Modells und zukünftige Forschungsrichtungen, wobei die Notwendigkeit einer Implementierung in der realen Welt und die Entwicklung fortgeschrittener Techniken zur Bewältigung sich entwickelnder Bedrohungen in intelligenten Städten betont wird.
KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
Abstract
The increase in population is a huge threat to mankind and especially in cities, it is difficult to manage energy consumption, resource allocation, and maintaining security. This leads to large-scale urbanization and the formation of new cities with the integration of new technologies. The creation of smart cities could be a preferred choice to manage a huge population in a small area. This could be done with the usage of the Internet of Things (IoT) which employs different sensors to perform various tasks like data collection, traffic control, and weather detection. The data collected with these sensors are stored in the cloud and used for various applications. The large amount of data present in the IoT and its transparent nature attract various attackers. This leads to an increasing number of cyber-attacks in IoT, generating security issues to the data confidentiality for the individuals in the smart cities. Hence there is a need for the detection of these attacks commonly referred to as intrusions. The mechanism built to detect the intrusions is known as the Intrusion Detection System (IDS). Machine Learning (ML) is the commonly used technique in the creation of IDS as it shows superior performance in detection and classification works. This paper proposes an Ensemble Gradient Random forest-based Leopard Seal Search Optimization (EGR-LSS) algorithm. The hyperparameters of the proposed system are optimized using the Leopard Seal Search optimization algorithm. The comprehensive experiments are conducted to assess the proposed EGR-LSS model’s detection efficacy utilizing the CICIDS2017 dataset. The proposed model outperformed the state-of-the-art techniques including CNN, AI-BC, and NB, and gained accuracy of 98.75%, recall of 97.4%, precision of 98.7%, and F1-score of 96.9% respectively. Overall, the proposed model provided reliable strong cyber threat detection performance and it increased the prediction speed by significantly reducing the risk prediction time.
