.png){kind=icon}
返回
RF-SVM: Robust Injection Attack Detection Using Random Forest Feature Selector and Support Vector Machine Classifier for Secure Network Systems
.png){kind=icon}
PRE
AI
DOI：10.1007/s10796-025-10675-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网（IoT）正在迅速增长并应用于各个领域，例如智能城市、智能政府、智能医院和智能家居。然而，这种增长也带来了安全挑战，可能对物联网系统产生不利影响。注入攻击（injection attacks）是这些挑战的一个例子，它可以破坏网络的性能和功能。本文聚焦于注入攻击，并采用机器学习方法来检测这些攻击以及系统中的可疑活动。主要挑战在于相关数据集中存在大量缺失数据。与以往基于消除稀疏特征的研究不同，本文提出了一种保留此类稀疏但有价值数据的方法。所提出的方法结合了支持向量机（support vector machine）与随机森林（random forest）选择的特征，以高置信度检测此类攻击。性能通过准确率、精确率和召回率等指标进行评估。所提出的模型具有低计算开销和高处理速度，适用于各种网络设备，包括智能家居。最后，通过从AWID数据集的总特征集中选择46个有效特征，我们实现了99.99%的检测准确率。据我们所知，本研究相比以往研究具有最佳性能。
Keyword:
Internet of things
Injection attack detection
Data balancing
Feature selection
Random Forest
Support vector machine
期刊
IF:
8.3
论文数:
2.0K
被引数:
6.5K
机构
引用论文
On the control of microgrids against cyber-attacks: A review of methods and applications关于微电网对网络攻击的控制: 方法和应用综述.png)
APPLIED ENERGY
OAAI
APPLIED ENERGYIF11
OAAI分享收藏分享收藏Intrusion Detection in 802.11 Networks: Empirical Evaluation of Threats and a Public Dataset802.11网络中的入侵检测: 威胁和公共数据集的经验评估
PREAI
分享收藏
查看更多内容