O crescimento significativo e o uso de dispositivos IoT, especialmente em casas inteligentes, aumentam o risco de ciberataques que comprometem esses dispositivos e seus serviços, resultando em vazamentos de dados e invasão de privacidade. A tecnologia de aprendizado de máquina tem sido considerada uma solução de segurança suficiente em IoT devido à sua eficácia em detectar tráfego não solicitado em uma rede IoT, garantindo a confidencialidade, integridade e disponibilidade dos dispositivos IoT e, mais importante, protegendo a privacidade dos usuários. Nesta pesquisa, diferentes algoritmos de aprendizado de máquina baseados em classificação foram utilizados para detectar e classificar diferentes tipos de tráfego de rede na rede IoT. Ao mesmo tempo, a eficácia desses algoritmos de aprendizado de máquina de classificação, Árvore de Decisão (J48), Bayes Net e Naive Bayes foi avaliada em nosso conjunto de dados de casas inteligentes. Antes da implementação desse algoritmo, um ataque man-in-the-middle foi introduzido na rede IoT enquanto o tráfego da rede era capturado igualmente no processo. No geral, os algoritmos avaliaram com sucesso o tráfego de rede capturado, detectaram o ataque MITM introduzido em dispositivos IoT e classificaram o tráfego em solicitado e não solicitado. De acordo com os achados, o algoritmo Naive Bayes superou os outros com uma precisão de 99,95%.
Sukhni et al. (Sex,) estudaram esta questão.