25、基于机器学习的物联网异常检测

基于机器学习的物联网异常检测

1. 研究背景与现状

在物联网（IoT）异常检测领域已有诸多研究，但大部分集中在网络入侵检测方面。相关研究主要聚焦于机器学习算法，如支持向量机（SVM）、装袋算法、提升算法集等，并对它们的性能进行比较。

入侵检测系统主要分为两类：异常检测入侵检测系统（IDS）和基于特征的IDS。目前，大多数异常检测技术依赖机器学习算法，因为恶意数据随时可能呈现新的形态，缺乏固定特征。过去的异常检测技术虽能提前检测网络中的异常攻击，但也存在弱点。基于特征的IDS也会使用监督式机器学习算法来检测异常数据。

获取用于物联网入侵检测的标记数据颇具难度。例如，1999年国防部发布的KDD杯数据集虽可免费获取，但经长期研究分析，已被认定存在大量错误且过时。不过，近年来适用于物联网的UNSW NB15数据集为网络层的现代入侵研究提供了支持。该数据集包含大量良性和恶性网络流量实例，但存在数据不平衡的问题，即恶意攻击实例数量远少于正常流量实例。

异常检测技术还可应用于多个领域，如区分主机和基于网络的入侵检测技术，使其相互配合，为物联网环境构建更有效的入侵检测和保护机制。这涉及在应用层（基于主机）和网络层（基于网络）两层中运用特定的机器学习算法。

2. 研究方法

2.1 提出的模型

研究流程从数据收集开始，添加合成和错误数据，应用机器学习算法，最后比较各算法的性能。具体操作如下：
- 使用4种传感器（光传感器、温度传感器、湿度传感器和3V电池）收集环境数据。
- 设置10个包含ESP32（Node - MCU微控制器）和4种传感器的电路板，放置在不同区域以收集最大差异的数据，并将