Los crecientes requisitos de seguridad de las redes de Internet de las Cosas (IoT), donde redes heterogéneas y dispositivos con recursos limitados ofrecen una superficie de ataque exponencialmente aumentada, se abordaron utilizando un sistema de detección de intrusiones basado en aprendizaje automático. Se obtuvo un conjunto de datos de tráfico de intrusión cuantitativa IoT de código abierto y se entrenó utilizando modelos de aprendizaje automático. El conjunto de datos comprende más de un millón de registros de flujo etiquetados que consisten en 34 tipos de ataques y tráfico benigno. Se realizó un extenso preprocesamiento que incluyó la gestión de valores faltantes, la codificación de características, la escalación y la eliminación de redundancias, seguido del entrenamiento de tres clasificadores de aprendizaje automático supervisado (ML), a saber, Árbol de Decisión (DT), Bosque Aleatorio (RF) y Máquinas de Soporte Vectorial (SVM) para la diferenciación de los diferentes tipos de intrusiones. La evaluación del rendimiento de los modelos de ML se llevó a cabo evaluando la precisión, la precisión y la recuperación, y el puntaje F1. Se observó que el modelo de Árbol de Decisión fue el más destacado en términos de precisión general (99.36%) y un rendimiento respetable en las clases de ataque prevalentes, y fue seguido de cerca por el Bosque Aleatorio (99.27%) mientras que la SVM se quedó atrás con una precisión del 80.08% debido a restricciones computacionales en el manejo de grandes volúmenes de datos. El tiempo de llegada inter-arribo y el tamaño total del paquete se identificaron como los discriminadores significativos en el comportamiento malicioso a través de un análisis de importancia de características. En conclusión, los modelos basados en árboles, y específicamente los Árboles de Decisión, ofrecen una solución extremadamente efectiva e interpretable para la detección de intrusiones en tiempo real en IoT, y proporcionan avenidas futuras en el manejo del desbalance de clases y el examen de enfoques ligeros, en conjunto y de aprendizaje profundo para la detección robusta de amenazas raras y desconocidas. Este estudio contribuye a la ciberseguridad a través de la identificación y clasificación de intrusiones en dispositivos IoT para una mitigación adecuada.
Akinbowale et al. (Fri,) estudiaron esta cuestión.