ОБЕСПЕЧЕНИЕ БЕЗОПАСНОСТИ И КОНФИДЕНЦИАЛЬНОСТИ В IOT-СИСТЕМАХ С ПОМОЩЬЮ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
DOI:
https://doi.org/10.52167/1609-1817-2024-135-6-402-409Ключевые слова:
интернет вещей, безопасность, машинное обучение, метод случайного леса, умные приложенияАннотация
Сегодня Интернет вещей является одной из наиболее популярных технологий, оказывающей значительное влияние на различные аспекты нашей жизни, включая социальные, коммерческие и экономические сферы. В области автоматизации, производительности и комфорта Интернет вещей предлагает огромные перспективы для улучшения качества жизни, применяясь в образовании, умных городах и других областях. Однако кибератаки и угрозы представляют серьезную проблему для интеллектуальных приложений в среде Интернет вещей. В представленной работе исследуются проблемы конфиденциальности и безопасности в Интернет вещей. В статье анализируются различные методы обеспечения безопасности, особое внимание уделяется машинному обучению, включая Naive Bayes, Random Forest и Logistic Regression, и их применению для обнаружения аномалий и атак в сетях Интернет вещей. Статья подчеркивает важность интеграции передовых технологий и этических принципов для создания надежных и безопасных IoT-систем.
Библиографические ссылки
[1] Sarker, I. H., Khan, A. I., Abushark, Y. B., & Alsolami, F. (2023). Internet of Things (IoT) security intelligence: a comprehensive overview, machine learning solutions and research directions. Mobile Networks and Applications, 28(1), 296-312.
[2] Adamova, A., Zhukabayeva, T., & Ven-Tsen, K. (2023). Internet of Things: Security and Privacy standards. Bulletin of LN Gumilyov Eurasian National University Technical Science and Technology Series, 144(3), 29-40.
[3] https://www.imd.org/smart-city-observatory/home/rankings/#_tab_Rank
[4] https://www.smartcitiesworld.net/citizen-security?nav=top
[5] Adamova, A., Zhukabayeva, Т., & Mardenov, Y. (2023). Internet of Things: Status and Prospects for The Development of Lightweight Algorithms. Известия НАН РК. Серия физико-математическая, (2), 5-20.
[6] https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10044661
[7] Lerina Aversano, Mario Luca Bernardi, Marta Cimitile, Riccardo Pecori, “A systematic review on Deep Learning approaches for IoT security”, May 2021, https://www.sciencedirect.com/science/article/abs/pii/S157401372100 0290
[8] Alwahedi, F., Aldhaheri, A., Ferrag, M. A., Battah, A., & Tihanyi, N. (2024). Machine learning techniques for IoT security: Current research and future vision with generative AI and large language models. Internet of Things and Cyber-Physical Systems.
[9] Ni, C., & Li, S. C. (2024). Machine learning enabled Industrial IoT Security: Challenges, Trends and Solutions. Journal of Industrial Information Integration, 100549
[10] Karthikeyan, M., Manimegalai, D., & RajaGopal, K. (2024). Firefly algorithm based WSN-IoT security enhancement with machine learning for intrusion detection. Scientific Reports, 14(1), 231
[11] Yang, F. J. (2018, December). An implementation of naive bayes classifier. In 2018 International conference on computational science and computational intelligence (CSCI) (pp. 301-306). IEEE.
[12] Speiser, J. L., Miller, M. E., Tooze, J., & Ip, E. (2019). A comparison of random forest variable selection methods for classification prediction modeling. Expert systems with applications, 134, 93-101.
[13] Pampel, F. C. (2020). Logistic regression: A primer (No. 132). Sage publications.
[14] Dash, Sanjit Kumar, Sweta Dash, Satyajit Mahapatra, Sachi Nandan Mohanty, M. Ijaz Khan, Mohamed Medani, Sherzod Abdullaev, and Manish Gupta. "Enhancing DDoS attack detection in IoT using PCA." Egyptian Informatics Journal 25 (2024): 100450.
[15] Inuwa, M. M., & Das, R. (2024). A comparative analysis of various machine learning methods for anomaly detection in cyber-attacks on IoT networks. Internet of Things, 26, 101162.
[16] Rabhi, S., Abbes, T. & Zarai, F. IoT Routing Attacks Detection Using Machine Learning Algorithms. Wireless Pers Commun 128, 1839–1857 (2023). https://doi.org/10.1007/s11277-022-10022-7
[17] Khanday, S. A., Fatima, H., & Rakesh, N. (2023). Implementation of intrusion detection model for DDoS attacks in Lightweight IoT Networks. Expert Systems with Applications, 215, 119330.
[18] Bilakanti, H., Pasam, S., Palakollu, V., & Utukuru, S. (2024). Anomaly detection in IoT environment using machine learning. Security and Privacy, e366.
[19] Shitharth, S., Kshirsagar, P. R., Balachandran, P. K., Alyoubi, K. H., & Khadidos, A. O. (2022). An innovative perceptual pigeon galvanized optimization (PPGO) based likelihood Naïve Bayes (LNB) classification approach for network intrusion detection system. IEEE Access, 10, 46424-46441.
[20] J. Liu, D. Yang, M. Lian, M. Li Research on intrusion detection based on particle Swarm optimization in IoT. IEEE Access, 9 (2021), pp. 38254-38268
[21] Parmisano, A., Garcia, S., & Erquiaga, M. J. (2020). A labeled dataset with malicious and benign iot network traffic. Stratosphere Laboratory: Praha, Czech Republic.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Aigul Adamova
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
