Механізми виявлення аномалій в трафіку IoT: використання машинного навчання для запобігання вторгненням

Стаття досліджує виклики кібербезпеки IoT через зростання кількості пристроїв із обмеженими ресурсами та вразливістю до атак, таких як DDoS. Мета – аналіз методів машинного навчання для виявлення аномалій у трафіку IoT, демонстрація їхньої ефективності та практичної реалізації, зокрема через автоенкодер із LSTM і механізмом уваги в Google Colab. Результати показують високу загальну точність 0.953 із recall 1.00 для нормального трафіку та 0.52 для аномального, вказуючи на потребу оптимізації для незбалансованих даних. Висновок: методи машинного навчання ефективні для захисту IoT, але потребують вдосконалення чутливості до аномалій і адаптації до реальних умов.