Beschreibung
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.
Autorenporträt
Ein erfahrener Software-Ingenieur und Lehrer mit einem Master of Science in Informatik, der als Teamleiter einer Software-Abteilung in einer privaten Organisation arbeitet
Herstellerkennzeichnung:
BoD - Books on Demand
In de Tarpen 42
22848 Norderstedt
DE
E-Mail: info@bod.de
