Enhancing IoT Security: A Novel Feature Engineering Approach for ML-Based Intrusion Detection Systems

物联网（IoT）应用程序在我们的日常生活中的整合导致了数据流量的激增，这带来了重大的安全挑战。使用云和边缘计算的物联网应用程序由于分布式边缘和云服务的扩展攻击面、物联网设备的脆弱性以及在相互连接的系统中管理安全方面的挑战而面临着更高的网络攻击风险，这导致了基于机器学习（ML）的入侵检测系统（IDS）的兴起，这些系统已被证明在增强网络安全和防御多样化威胁方面非常有效。然而，ML-based IDS在物联网系统中遇到了挑战，特别是来自不同物联网数据集中的噪声、冗余和无关特征，这可能影响其性能。因此，减少这些特征变得至关重要，以提高系统性能并减少计算成本。本文重点介绍了一种新方法，通过在两层边缘用户物联网环境中创建信息特征，提高ML-based IDS在边缘级别的有效性，找到成本和准确性之间的平衡点。为此，利用了混合二进制量子启发式人工蜂群和遗传编程算法。本文使用了三个物联网入侵检测数据集，即NSL-KDD、UNSW-NB15和BoT-IoT，对所提出的方法进行评估。

本论文旨在提高基于机器学习的入侵检测系统在边缘层的效率，通过引入一种新方法，在两层边缘用户IoT环境中创建信息特征，以找到成本和准确性之间的平衡点。

通过使用混合二进制量子启发式人工蜜蜂群和遗传编程算法，减少噪声、冗余和无关的特征，提高机器学习入侵检测系统的性能和降低计算成本。

论文使用了三个IoT入侵检测数据集进行评估，分别是NSL-KDD、UNSW-NB15和BoT-IoT。该方法的实验结果表明，相比于其他方法，该方法在准确性和计算成本之间找到了一个平衡点。

近年来，研究人员在IoT入侵检测方面进行了大量工作。一些相关的研究论文包括：1. 'IoT Security: Review, Blockchain Solutions, and Open Challenges'；2. 'Anomaly Detection for IoT Devices Using Recurrent Neural Networks'；3. 'A Survey on Intrusion Detection Systems in Wireless Sensor Networks'。