机构名称：
¥ 1.0
摘要 — 物联网 (IoT) 设备部署的持续增长得益于不断增长的连接需求，尤其是在工业环境中。然而，由于潜在攻击面数量的增加，这导致与网络相关的攻击数量增加。工业物联网 (IIoT) 设备容易受到各种与网络相关的攻击，这些攻击会对制造过程以及制造厂工人的安全造成严重后果。近年来，一种用于攻击检测的有前途的解决方案是机器学习 (ML)。更具体地说，集成学习模型在提高底层 ML 模型的性能方面显示出巨大的潜力。因此，本文提出了一个基于贝叶斯优化-高斯过程 (BO-GP) 与基于集成树的学习模型相结合的框架，以提高 IIoT 环境中入侵和攻击检测的性能。使用新南威尔士大学 Cyber Range 和 IoT 实验室收集的 Windows 10 数据集评估所提出的框架的性能。实验结果表明，与标准树和集成树模型相比，检测准确度、精度和 F 分数均有所提高。索引术语 — 工业物联网、优化集成学习、贝叶斯优化
面向安全工业物联网设备的优化集成模型
主要关键词
相关文件推荐
