Erkennung von Netzwerkangriffen im IoT mit künstlicher Intelligenz

Wir m gen einfache und automatisierte L sungen, aber diese einfachen und automatisierten L sungen in der Technologie k nnen auch Risiken enthalten, wenn sie nicht richtig gehandhabt werden. IoT-Sicherheits- und Datenschutzbelange m ssen imMittelpunkt stehen. Es kann mehrere Arten von Angriffen auf IoT-Netzwerke geben, die das Ger t besch digen oder die sensiblen Informationen stehlen k nnen . Daher haben Techniken der k nstlichen Intelligenz (KI) dieF higkeit, ein unbekanntes Netzwerkverhalten zu erkennen und zu klassifizieren, indem sie die Muster von Netzwerkangriffen aufder Grundlage gro er 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 gem den Ergebnissen, indem wir den Aposemat IoT-23-Datensatz verwendeten, sowieFeature-Engineering-Techniken zur Vorverarbeitung des erw hnten Datensatzes f r die Erkennung und Klassifizierung von IoT-Netzwerkangriffen.