XGBoost-BalSamp raggiunge il 95,45% di accuratezza nel rilevamento delle intrusioni IoT
I ricercatori hanno migliorato il rilevamento automatico delle intrusioni online per i dispositivi IoT, raggiungendo un'accuratezza del 95,45% sul benchmark UNSW-NB15. Lo studio, pubblicato su arXiv (2605.26166), replica innanzitutto il sistema AOC-IDS all'avanguardia di IEEE INFOCOM 2024, che utilizza un Autoencoder con perdita contrastiva Cluster Repelling e un modulo decisionale basato su Gaussiane, ottenendo un'accuratezza dell'89,39% (vicina all'89,19% pubblicato). Sono state identificate quattro limitazioni chiave: squilibrio di classe, generazione inaffidabile di pseudo-etichette, generalizzazione limitata e overhead computazionale. Il metodo proposto XGBoost-BalSamp aumenta l'accuratezza del 6,26% rispetto alla baseline. Vengono introdotte anche tecniche aggiuntive di deep learning (PseudoFilter, Mix) per affrontare questi problemi, puntando a una distribuzione efficiente in termini di risorse per gli ambienti IoT.
Fatti principali
- 1. Studio pubblicato su arXiv con ID 2605.26166.
- 2. Il sistema AOC-IDS di IEEE INFOCOM 2024 è stato replicato.
- 3. AOC-IDS utilizza un Autoencoder con perdita CRC e modulo decisionale gaussiano.
- 4. La replica ha raggiunto un'accuratezza dell'89,39% su UNSW-NB15.
- 5. Quattro limitazioni identificate: squilibrio di classe, pseudo-etichette inaffidabili, generalizzazione limitata, overhead computazionale.
- 6. XGBoost-BalSamp raggiunge il 95,45% di accuratezza, un miglioramento del 6,26%.
- 7. I metodi aggiuntivi includono PseudoFilter e Mix.
- 8. Focus su architetture leggere per la distribuzione IoT.
Entità
Istituzioni
- IEEE INFOCOM
- arXiv