Resumen

La identificación de anomalías y tráfico malicioso en la red del Internet de las cosas (IoT) es esencial para la seguridad del IoT. Seguir y bloquear flujos de tráfico no deseados en la red del IoT es necesario para diseñar un marco de trabajo para la identificación de ataques de manera más precisa, rápida y con menos complejidad. Muchos algoritmos de aprendizaje automático (ML) han demostrado su eficiencia para detectar intrusiones en redes IoT. Pero este algoritmo de ML sufre muchos problemas de clasificación errónea debido al tamaño inapropiado e irrelevante de las características. En este artículo, se presenta un estudio a fondo para abordar tales problemas. Se han presentado técnicas de selección de características de detección de intrusiones en IoT ligeras y de bajo costo con baja complejidad y alta precisión debido a su bajo tiempo computacional. Se propuso una técnica de selección de características novedosa con la integración de chi-cuadrado basado en rangos, correlación de Pearson y correlación de puntajes para extraer características relevantes de todas las características disponibles en el conjunto de datos. Luego, se aplicó una estimación de entropía de características para validar la relación entre todas las características extraídas y así identificar el tráfico malicioso en las redes IoT. Finalmente, se utilizó un enfoque de refuerzo de conjunto de gradientes extremos para clasificar las características en tipos de ataques relevantes. La simulación se realizó en tres conjuntos de datos, es decir, NSL-KDD, USNW-NB15 y CCIDS2017, y se presentaron los resultados en diferentes conjuntos de pruebas. Se observó que en el conjunto de datos NSL-KDD, la precisión fue de aproximadamente 97.48%. De manera similar, la precisión de USNW-NB15 y CCIDS2017 fue de aproximadamente 99.96% y 99.93%, respectivamente. Junto con eso, también se presenta una comparación con técnicas existentes de última generación.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Identificación; Tráfico malicioso; Red IoT; Algoritmos de aprendizaje automático; Detección de intrusiones; Selección de características
• Keywords:Identification; Malicious traffic; IoT network; Machine learning algorithms; Intrusion detection; Feature selection