Iot and physical cyber security intrusion detection based on supervised machine learning

Nesnelerin İnterneti ve siber fiziksel sistem cihazları, sağlık ve giyilebilir cihazlardan nükleer santraller, otonom araçlar ve akıllı şehirler gibi kritik altyapılara kadar geniş bir uygulama yelpazesinde giderek daha fazla kullanılmaktadır. Ancak bu cihazlar, programlama, elektronik ve iletişim altyapıları açısından temelde güvensizdir. Ayrıca artan ağ sayısı güvenlik ihlallerinin kolaylaşmasına neden oluyor. Bu, bilgisayar korsanlarının yararlanabileceği geniş bir saldırı alanını temsil eder. Bilinmeyen sistem güvenlik açıklarını tespit etmeye yönelik mevcut yöntemler çok yavaştır ve kısa sürede yüksek doğruluk elde etmek zordur. Saldırı tespit sistemi, güvenlik açıklarını ve istismarları tespit etmek için en iyi çözümdür ve kaynaktan alıcıya trafiği izlemek için ağ içine stratejik olarak yerleştirilebilir; makine öğrenimi algoritmalarının kullanılması da en iyi güvenlik düzeyinin sağlanmasına yardımcı olabilir. Bir makine öğrenimi sistemi çok hassastır ve arama alanını azaltırken saldırıları anında tahmin etmemizi sağlar. Önerilen bu savunma hattı, siber güvenlik uygulayıcılarının bunları gerçek dünyadaki CPS/IoT uygulamalarında benimsemeleri nedeniyle söz konusu zayıflıklara dayalı olarak aynı güvenlik önlemleri harcamasını güçlendiriyor. Bu çalışmada, 41 mevcut özelliğe sahip KDD Cup 1999 veri seti, yapay sinir ağı, gradyan artırma, lojistik regresyon, destek vektör makinesi, rastgele orman, karar ağacı ve Gauss naif Bayes gibi denetimli makine öğrenmesi algoritmalarının uygulanmasıyla kullanılmıştır. BoTNeTIoT-L01-v2'nin yanı sıra. Sonuçları güç, doğruluk ve uygulama süresi açısından karşılaştırıyoruz. Deneysel sonuçlarımız, karar ağacı modelinin diğer algoritmalara göre daha yüksek bir doğruluğa sahip olduğunu göstermektedir.