Read more
Wir mögen einfache und automatisierte Lösungen , aber diese einfachen und automatisierten Lösungen in der Technologie können auch Risiken enthalten, wenn sie nicht richtig gehandhabt werden. IoT-Sicherheits- und Datenschutzbelange müssen imMittelpunkt stehen. Es kann mehrere Arten von Angriffen auf IoT-Netzwerke geben, die das Gerät beschädigen oder die sensiblen Informationen stehlen können . Daher haben Techniken der künstlichen Intelligenz (KI) dieFähigkeit, ein unbekanntes Netzwerkverhalten zu erkennen und zu klassifizieren , indem sie die Muster von Netzwerkangriffen aufder Grundlage großer Mengen historischer Daten erlernen . Wir haben den Aposemat IoT-23-Datensatz verwendet , den Hintergrund untersucht und die Algorithmen des maschinellen Lernens wie Entscheidungsbaum, Random Forest und Naive Bayes implementiert . Wir verglichen auch die Genauigkeit zwischen diesen maschinellen Lernalgorithmen auf dem IoT-23-Datensatz und zeigten den effizientesten maschinellen Lernalgorithmus gemäß den Ergebnissen, indem wir den Aposemat IoT-23-Datensatz verwendeten , sowieFeature-Engineering-Techniken zur Vorverarbeitung des erwähnten Datensatzes für die Erkennung und Klassifizierung von IoT-Netzwerkangriffen.
About the author
Ein erfahrener Software-Ingenieur und Lehrer mit einem Master of Science in Informatik, der als Teamleiter einer Software-Abteilung in einer privaten Organisation arbeitet
