IoTGeM: Generalizable models for behaviour-based IoT attack detection

Kahraman Kostas

doi:10.1016/j.comnet.2025.111550

IoTGeM: Generalizable models for behaviour-based IoT attack detection

2025-07-25

0

PRE

AI

DOI：10.1016/j.comnet.2025.111550

原文链接

原文求助

摘要

En 中文

基于行为的物联网设备网络攻击检测的先前研究已产生机器学习模型，其适应未见数据的能力有限且通常未被证明。本文提出了IoTGeM，一种针对物联网网络攻击的建模方法，专注于泛化能力，同时也提高了检测和性能。我们首先介绍了一种改进的滚动窗口方法进行特征提取。为减少过拟合，然后应用一个多步特征选择过程，其中遗传算法（GA）被独特地由一个独立的数据集的外生反馈引导。为防止限制先前模型的数据泄露，我们使用严格隔离的训练和测试数据集构建和测试我们的模型。结果模型使用多样化的机器学习算法和数据集进行严格评估。我们的基于窗口的模型在泛化能力上优于传统的基于流量的模型，尤其是在未见数据集上测试时。在这些严格的跨数据集测试中，IoTGeM实现了ACK、HTTP、SYN、MHD和PS攻击的F1分数为99%，以及UDP攻击的F1分数为94%。最后，我们使用SHAP（SHapley加性解释）可解释AI技术来建立模型信心，使我们能够识别出支持攻击准确检测的具体特征。

Keyword:

IoT security

attack detection

machine learning

feature selection

generalizability

SHAP explainability

IoTGeM: Generalizable models for behaviour-based IoT attack detection

摘要

期刊

机构

引用论文