37、物联网威胁检测的机器学习方法

物联网威胁检测的机器学习方法

1. 引言

物联网（IoT）是一种用于连接各种物理对象、设备、车辆等的网络，这些物品嵌入了软件、传感器和网络连接功能。它们基于多种协议进行连接，能够收集和交换大量数据。随着连接到物联网的设备数量急剧增加，对更可靠安全措施的需求也变得极为迫切。同时，信息技术设备数量的增长也使得安全风险成倍上升。

强化学习（RL）在保障物联网系统安全方面正日益受到关注，例如在网络物理系统（CPS），如智能电网和智能交通系统中，RL被用于增强安全性。而利用机器学习方法也是保护物联网设备免受网络威胁和漏洞侵害的有效途径。近年来，全球网络安全事件数量迅速增加，移动设备的广泛使用更是加剧了安全问题，此外，自带设备（BYOD）的使用也让许多组织面临新的安全威胁。

本文运用机器学习技术，包括决策树（DT）、多层感知器（MLP）、朴素贝叶斯和随机森林分类器，对物联网数据中的网络攻击进行检测。

2. 相关工作

• 网络钓鱼检测 ：有研究使用UCI存储库中的网络钓鱼数据集，通过信息增益特征选择技术（FST）选取相关特征子集，应用决策树分类技术（如DT、随机树、随机森林和决策树桩）并进行十折交叉验证，其中DT的准确率达到91.80%。还有研究比较了随机森林、支持向量机（SVM）、DT、人工神经网络（ANN）、k近邻（KNN）和旋转森林等模型在检测网络钓鱼网站方面的性能，随机森林表现最佳，准确率为97.36%，KNN次之，为97.18%。
• 垃圾邮件检测 ：有研究使用HP数据实验室的数据集，展示了多种机器学习系统用于垃圾邮件检测，结论是随机森