ОБНАРУЖЕНИЕ ВТОРЖЕНИЙ В СЕТЬ ИНТЕРНЕТА ВЕЩЕЙ С ПОМОЩЬЮ МАШИННОГО ОБУЧЕНИЯ НА ОСНОВЕ НАБОРА ДАННЫХ UNSW-NB15

В данной исследовательской работе исследуется эффективность различных методов машинного обучения для решения задачи обнаружения сетевых аномалий в контексте сред Интернета вещей (IoT). Используя разнообразный набор параметров оценки, включая точность, прецизионность, отзыв, оценку F1, время обучения и анализ рабочих характеристик приемника (ROC), систематически сравниваются шесть различных методов машинного обучения. Полученные результаты подчеркивают практическую применимость логистической регрессии, которая является надежным выбором благодаря своим сбалансированным эксплуатационным характеристикам. Логистическая регрессия не только демонстрирует высокую точность обнаружения сетевых аномалий, но и значительно сокращает время обучения, что делает ее особенно подходящей для реальных приложений, где своевременное реагирование на аномалии имеет решающее значение. Это исследование дает ценную информацию о применении методов машинного обучения для повышения безопасности и целостности сетей Интернета вещей, решения сложных задач, связанных с обнаружением сетевых аномалий, и подчеркивает практическую значимость этих методологий в меняющемся ландшафте кибербезопасности Интернета вещей.

1. Ahmad M., Riaz Q., Zeeshan M., Tahir H., Haider S.A., & Khan M.S. Intrusion detection in internet of things using supervised machine learning based on application and transport layer features using UNSWNB15 data-set. EURASIP Journal on Wireless Communications and Networking, 2021, no. 1, pp. 1–23.

2. Aleesa A., Younis M. O. H. A. M. M. E. D., Mohammed A.A., & Sahar N. Deep-intrusion detection system with enhanced UNSW-NB15 dataset based on deep learning techniques. Journal of Engineering Science and Technology, 2021, vol. 16, no.1, pp. 711–727.

3. Fuat, T. Ü. R. K. Analysis of intrusion detection systems in UNSW-NB15 and NSL-KDD datasets with machine learning algorithms. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 2023, vol. 12, no. 2, pp. 465–477.

4. Kabir M.H., Rajib M.S., Rahman, A. S. M. T., Rahman M.M., & Dey S.K. Network Intrusion Detection Using UNSW-NB15 Dataset: Stacking Machine Learning Based Approach. In 2022 International Conference on Advancement in Electrical and Electronic Engineering (ICAEEE), 2022, February, pp. 1–6, IEEE.

5. Sahar N., Mishra R., & Kalam S. Deep learning approach-based network intrusion detection system for fog-assisted iot. In Proceedings of international conference on big data, machine learning and their applications: ICBMA 2019, 2021, pp. 39–50, Springer Singapore.

6. Fathima A., Khan A., Uddin M.F., Waris M.M., Ahmad S. Sanin C., & Szczerbicki E. Performance Evaluation and Comparative Analysis of Machine Learning Models on the UNSW-NB15 Dataset: A Contemporary Approach to Cyber Threat Detection. Cybernetics and Systems, 2023, pp. 1–17.

7. Hossain Z., Sourov M.M.R., Khan M., & Rahman P. Network Intrusion Detection using Machine Learning Approaches. In 2021 Fifth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud)(I-SMAC), 2021, November, pp. 438–442. IEEE.

8. Sharma B., Sharma L., Lal C., & Roy S. (2023). Anomaly based network intrusion detection for IoT attacks using deep learning technique. Computers and Electrical Engineering, no.107, p. 108626.

9. Saheed Y.K., Abiodun A.I., Misra S., Holone M.K., & Colomo-Palacios, R. A machine learning-based intrusion detection for detecting internet of things network attacks. Alexandria Engineering Journal, 2022, vol. 61, no. 12, pp. 9395–9409.

10. Sarhan M., Layeghy S., & Portmann M. Towards a standard feature set for network intrusion detection system datasets. Mobile networks and applications, 2022, pp. 1–14.

11. Baich M., Hamim T., Sael N., & Chemlal Y. Machine Learning for IoT based networks intrusion detection: a comparative study. Procedia Computer Science, 2022, no. 215, pp. 742–751.

12. Shareena J., Ramdas A., & AP H. Intrusion detection system for iot botnet attacks using deep learning. SN Computer Science, 2021, vol. 2, no. 3, pp. 1–8.

13. Zhao R., Gui G., Xue Z., Yin J., Ohtsuki T., Adebisi B., & Gacanin H. (2021). A novel intrusion detection method based on lightweight neural network for internet of things. IEEE Internet of Things Journal, 2021, vol. 9, no. 12, pp. 9960–9972.

14. Baniasadi S., Rostami O., Martín D., & Kaveh M. A novel deep supervised learning-based approach for intrusion detection in IoT systems. Sensors, 2022, vol. 22, no. 12, p. 4459.

15. Yin Y., Jang-Jaccard J., Xu W., Singh A., Zhu J., Sabrina F., & Kwak J. IGRF-RFE: a hybrid feature selection method for MLP-based network intrusion detection on UNSW-NB15 dataset. Journal of Big Data, 2023, vol.10, no. 1, pp. 1–26.

16. Kumar S., & Pathak N.K. Evaluation Of Machine Learning Algorithms For Intrusion Detection Utilizing UNSW-NB15 Dataset. Journal of Pharmaceutical Negative Results, 2022, pp. 4819–4832.

17. Al-Ambusaidi M., Yinjun Z., Muhammad Y., & Yahya A. ML-IDS: an efficient ML-enabled intrusion detection system for securing IoT networks and applications. Soft Computing, 2024, vol. 28, no. 2, pp. 1765–1784.

18. Kumar N., & Sharma S. A Hybrid Modified Deep Learning Architecture for Intrusion Detection System with Optimal Feature Selection. Electronics, 2023, vol. 12, no. 19, p. 4050.

19. Ahmad Z., Shahid Khan A., Wai Shiang C., Abdullah J., & Ahmad F. Network intrusion detection system: A systematic study of machine learning and deep learning approaches. Transactions on Emerging Telecommunications Technologies, 2021, vol. 32, no. 1, e4150.

20. Hammad M., Hewahi N., & Elmedany W. T - SNERF: A novel high accuracy machine learning approach for Intrusion Detection Systems. IET Information Security, 2021, vol. 15, no. 2, pp. 178–190.

21. Almomani O., Almaiah M.A., Alsaaidah A., Smadi S., Mohammad A.H., & Althunibat A. Machine learning classifiers for network intrusion detection system: comparative study. In 2021 International Conference on Information Technology (ICIT), 2021, July, pp. 440–445. IEEE.

22. Rashid M., Kamruzzaman J., Imam T., Wibowo S., & Gordon S. A tree-based stacking ensemble technique with feature selection for network intrusion detection. Applied Intelligence, 2022, vol. 52, no. 9, pp. 768–9781.

23. Abdulla A.R., & Jameel N.G.M. A Review on IoT Intrusion Detection Systems Using Supervised Machine Learning: Techniques, Datasets, 2023.