बहु-श्रेणी IoT आक्रमण पहचान के लिए व्याख्यायित हाइब्रिड CNN–XGBoost ढांचा जिसमें रिसाव-सम्मत विशेषता चयन शामिल है

इंटरनेट ऑफ थिंग्स (IoT) उपकरणों की तीव्र तैनाती ने विकसित हो रहे साइबर हमलों के विविध समूह के प्रति संवेदनशीलता बढ़ा दी है, जिससे सटीक और स्पष्ट आक्रमण पहचान प्रणाली (IDS) की आवश्यकता पैदा हुई है। इस कार्य में, हम CIC IoT-DIAD 2024 डेटासेट का उपयोग करके बहु-श्रेणी IoT आक्रमण वर्गीकरण के लिए एक व्याख्यायित हाइब्रिड कन्फ़ोल्यूशनल न्यूरल नेटवर्क–एक्सट्रीम ग्रेडियंट बूस्टिंग (CNN–XGBoost) ढांचा विकसित करते हैं। नेटवर्क-ट्रैफ़िक रिकॉर्ड को एक स्केलेबल, चंक-वार वर्कफ़्लो का उपयोग करके पूर्वप्रसंस्कृत और मानकीकृत किया गया है, जिसके उपरांत एक संकुचित टॉप-k विशेषता का उपसमुच्चय रैंडम फॉरेस्ट महत्व रैंकिंग के माध्यम से चुना जाता है। चयन पूर्वाग्रह को कम करने के लिए, रिसाव-प्रवण विशेषता रैंकिंग रणनीति की तुलना रिसाव-सम्मत रणनीति से की जाती है जिसमें विशेषताओं को केवल प्रत्येक विभाजन के भीतर प्रशिक्षण डेटा का उपयोग करते हुए रैंक किया जाता है। इसके बाद, एक एक-आयामी कन्फ़ोल्यूशनल न्यूरल नेटवर्क (CNN) चयनित पूर्ववक्ताओं से 128-आयामी प्रतिनिधित्व सीखता है, और XGBoost अंतिम बहु-श्रेणी वर्गीकरण करता है। रिसाव-सम्मत प्रोटोकॉल के तहत, प्रस्तावित मॉडल 0.9324 सटीकता और 0.5910 मैक्रो-F1 प्राप्त करता है। परिणाम दर्शाते हैं कि रिसाव-सम्मत चयन सामान्यीकरण का एक अधिक ठोस अनुमान प्रदान करता है जबकि प्रतिस्पर्धात्मक पहचान प्रदर्शन बनाए रखता है। अंत में, SHapley Additive exPlanations (SHAP) का उपयोग मॉडल के निर्णयों को सीखे गए लेटेंट स्पेस में व्याख्यायित करने के लिए किया जाता है। विश्लेषण से पता चलता है कि केवल एक छोटी संख्या में एम्बेडिंग आयाम निर्णय प्रमाण का बहुत सारा योगदान देते हैं, जो विश्लेषक की ट्रायेज में सहायता कर सकते हैं, हालाँकि व्याख्याएँ मूल ट्रैफ़िक विशेषताओं के संदर्भ में अप्रत्यक्ष रहती हैं।