机构名称：
¥ 1.0
摘要：电子，认知计算和传感的大规模现代技术革命为当今物联网（IoT）的开发提供了关键的基础架构，以用于广泛的应用。但是，由于端点设备的计算，存储和通信功能有限，因此物联网基础架构暴露于广泛的网络攻击中。因此，darknet或黑洞（污水坑）攻击很大，并且最近针对多种物联网通信服务发射的攻击向量。由于DarkNet地址空间是作为保留的Internet地址空间演变而来的，在全球合法的主机上不考虑使用，因此任何通信运输IC都被推测为未经请求的，并且独特地认为是探测器，反向散射或错误概括。因此，在本文中，我们在物联网网络中开发，调查和评估基于机器学习的DarkNet流量检测系统（DTD）的性能。主要是，我们使用六种监督的机器学习技术，包括行李决策树的合奏（BAG-DT），ADABOOST决策树共制（ADA-DT），RUSBOOSTED决策树组合（RUS-DT），可优化的决策树（O-DT），可优化的k-nearest k-nearest Inloes noest（O-nearest ofignize k-nearest nearp-egrigheat（o-o-knn）和Optim optig optig optim difcs和optigs ivciminant（Outigizigriminant（O-DSC））和DSC。我们在最近且全面的数据集上评估了已实施的DTD模型，称为CIC-Darknet-2020数据集，该数据集由当代实际的实际IoT通信流量组成，其中涉及四个差异类别，这些类别在一个数据集中结合了VPN和Tor Trapl IC，其中涵盖了涵盖广泛捕获的Cyber-Attacts和Deampersshide Serpect Service的单个数据集。我们的经验绩效分析表明，与其他实施的监督学习技术相比，Bagging集成技术（BAG-DT）更高的准确性和更低的错误率，得分为99.50％的分类精度，低推断开销为9.09 µ秒。最后，我们还与其他现有的DTDS型号进行了对比，并证明我们的最佳结果比以前的最新模型改善了（1.9〜27％）。
电子
主要关键词
相关文件推荐
