Published January 5, 2024
| Version v1
Publication
Open
Intrusion Detection in Internet of Things Systems: A Feature Extraction with Naive Bayes Classifier Approach
Creators
- 1. Universidad Nacional del Altiplano
- 2. University of Karbala
- 3. Vellore Institute of Technology University
- 4. Koneru Lakshmaiah Education Foundation
- 5. Universidad Andina del Cusco
Description
The Internet of Things (IoT) has proliferated, transitioning from modest home automation to encompass sectors like healthcare, agriculture, transportation, and manufacturing. This evolution is characterized by devices' ability to autonomously gather, disseminate, and analyze data, leading to improved real-time decision-making, predictive insights, and customized user experiences. The ubiquity of IoT, while promising, introduces significant data security concerns. The vast number of interlinked devices and diverse and often insufficient security features make them vulnerable to cyber threats, emphasizing the need for robust security mechanisms. Intrusion Detection Systems (IDS) have traditionally acted as vital guards against such threats; however, with the ever-increasing data in the IoT, traditional IDS models, such as Naive Bayes, face processing speed and accuracy challenges. This paper introduces a novel model, "FE+NB," which merges advanced Feature Extraction (FE) with the Naive Bayes (NB) classifier. Central to this model is the "Temporal-Structural Synthesis" technique tailored for IoT traffic data, focusing on data compression, temporal and structural analyses, and Feature Selection (FS) using mutual information. Consequently, the model enhances efficiency and accuracy in Intrusion Detection (ID) in complex IoT networks.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
انتشرت إنترنت الأشياء (IoT)، وانتقلت من الأتمتة المنزلية المتواضعة لتشمل قطاعات مثل الرعاية الصحية والزراعة والنقل والتصنيع. يتميز هذا التطور بقدرة الأجهزة على جمع البيانات ونشرها وتحليلها بشكل مستقل، مما يؤدي إلى تحسين عملية صنع القرار في الوقت الفعلي، والرؤى التنبؤية، وتجارب المستخدم المخصصة. على الرغم من أن انتشار إنترنت الأشياء في كل مكان واعد، إلا أنه يقدم مخاوف كبيرة تتعلق بأمن البيانات. إن العدد الهائل من الأجهزة المترابطة وميزات الأمان المتنوعة وغير الكافية في كثير من الأحيان تجعلها عرضة للتهديدات السيبرانية، مما يؤكد على الحاجة إلى آليات أمنية قوية. كانت أنظمة الكشف عن التسلل (IDS) تعمل تقليديًا كحراس حيويون ضد مثل هذه التهديدات ؛ ومع ذلك، مع البيانات المتزايدة باستمرار في إنترنت الأشياء، تواجه نماذج IDS التقليدية، مثل Naive Bayes، تحديات سرعة المعالجة والدقة. تقدم هذه الورقة نموذجًا جديدًا، "FE+NB"، والذي يدمج استخراج الميزات المتقدمة (FE) مع مصنف Naive Bayes (NB). ومن الأمور المركزية لهذا النموذج تقنية "التوليف الزمني الهيكلي" المصممة خصيصًا لبيانات حركة مرور إنترنت الأشياء، مع التركيز على ضغط البيانات والتحليلات الزمنية والهيكلية واختيار الميزات (FS) باستخدام المعلومات المتبادلة. وبالتالي، يعزز النموذج الكفاءة والدقة في كشف التسلل (ID) في شبكات إنترنت الأشياء المعقدة.Translated Description (French)
L'Internet des objets (IoT) a proliféré, passant d'une domotique modeste à des secteurs tels que la santé, l'agriculture, les transports et la fabrication. Cette évolution se caractérise par la capacité des appareils à collecter, diffuser et analyser les données de manière autonome, ce qui permet d'améliorer la prise de décision en temps réel, les informations prédictives et les expériences utilisateur personnalisées. L'omniprésence de l'IoT, bien que prometteuse, introduit d'importantes préoccupations en matière de sécurité des données. Le grand nombre d'appareils interconnectés et les fonctionnalités de sécurité diverses et souvent insuffisantes les rendent vulnérables aux cybermenaces, ce qui souligne la nécessité de disposer de mécanismes de sécurité robustes. Les systèmes de détection d'intrusion (IDS) ont traditionnellement agi comme des protections vitales contre de telles menaces. Cependant, avec les données de plus en plus nombreuses dans l'IoT, les modèles IDS traditionnels, tels que Naive Bayes, font face à des défis de vitesse de traitement et de précision. Cet article présente un nouveau modèle, « FE+NB », qui fusionne l'extraction avancée de caractéristiques (FE) avec le classificateur Naive Bayes (NB). Au cœur de ce modèle se trouve la technique de « Synthèse temporelle-structurelle » adaptée aux données de trafic IoT, axée sur la compression des données, les analyses temporelles et structurelles et la sélection des fonctionnalités (FS) à l'aide d'informations mutuelles. Par conséquent, le modèle améliore l'efficacité et la précision de la détection d'intrusion (ID) dans les réseaux IoT complexes.Translated Description (Spanish)
El Internet de las cosas (IoT) ha proliferado, pasando de una modesta automatización del hogar a abarcar sectores como la salud, la agricultura, el transporte y la fabricación. Esta evolución se caracteriza por la capacidad de los dispositivos para recopilar, difundir y analizar datos de forma autónoma, lo que lleva a una mejor toma de decisiones en tiempo real, información predictiva y experiencias de usuario personalizadas. La ubicuidad de IoT, aunque prometedora, presenta importantes preocupaciones sobre la seguridad de los datos. La gran cantidad de dispositivos interconectados y las características de seguridad diversas y a menudo insuficientes los hacen vulnerables a las amenazas cibernéticas, lo que enfatiza la necesidad de contar con mecanismos de seguridad sólidos. Los sistemas de detección de intrusos (IDS) han actuado tradicionalmente como protectores vitales contra tales amenazas; sin embargo, con los datos cada vez mayores en IoT, los modelos tradicionales de IDS, como Naive Bayes, enfrentan desafíos de velocidad de procesamiento y precisión. Este documento presenta un modelo novedoso, "FE+NB", que combina la extracción avanzada de características (FE) con el clasificador Naive Bayes (NB). Un elemento central de este modelo es la técnica de "Síntesis Temporal-Estructural" diseñada para datos de tráfico de IoT, que se centra en la compresión de datos, los análisis temporales y estructurales y la Selección de Características (FS) utilizando información mutua. En consecuencia, el modelo mejora la eficiencia y la precisión en la detección de intrusiones (ID) en redes IoT complejas.Files
JMC202404003.pdf.pdf
Files
(474.6 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:338fb50ef9b1d2074ca24c11ba974c82
|
474.6 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- كشف التسلل في أنظمة إنترنت الأشياء: استخراج ميزة مع نهج مصنف Naive Bayes
- Translated title (French)
- Détection d'intrusion dans les systèmes de l'Internet des objets : une extraction de caractéristiques avec l'approche du classificateur de Bayes naïf
- Translated title (Spanish)
- Detección de intrusiones en sistemas de Internet de las cosas: una extracción de características con enfoque de clasificador de Naive Bayes
Identifiers
- Other
- https://openalex.org/W4390614996
- DOI
- 10.53759/7669/jmc202404003
References
- https://openalex.org/W2896287217
- https://openalex.org/W2967160178
- https://openalex.org/W2991550169
- https://openalex.org/W3001697395
- https://openalex.org/W3018371211
- https://openalex.org/W3021561938
- https://openalex.org/W3030246475
- https://openalex.org/W3048527187
- https://openalex.org/W3109594789
- https://openalex.org/W3114326270
- https://openalex.org/W3119468682
- https://openalex.org/W3164496693
- https://openalex.org/W3200227504
- https://openalex.org/W3204840239
- https://openalex.org/W3205379079
- https://openalex.org/W3208579663
- https://openalex.org/W3212749396
- https://openalex.org/W4200096008
- https://openalex.org/W4211034299
- https://openalex.org/W4220836047
- https://openalex.org/W4224277509
- https://openalex.org/W4226458968
- https://openalex.org/W4239115031