MLSTL-WSN: Machine Learning-based Intrusion Detection using SMOTETomek in WSNs

无线传感器网络（WSN）在基础设施中发挥着关键作用，包括固定和移动传感器。这些传感器会自组织并建立多跳连接进行通信，共同感知、收集、处理和传输有关其周围环境的数据。尽管其重要性，WSN 面临着可能破坏其功能的快速和有害攻击。现有的 WSN 入侵检测方法面临着低检测率、计算开销和误报警等挑战。这些问题源于传感器节点资源限制、数据冗余和网络内高相关性。为了解决这些挑战，我们提出了一种创新的入侵检测方法，将机器学习（ML）技术与合成少数类过采样技术Tomek链（SMOTE-TomekLink）算法相结合。这种混合方法合成少数类实例并消除Tomek链，从而产生一个平衡的数据集，显著提高了WSN中的检测准确性。此外，我们通过标准化实现特征缩放，使输入特征一致和可扩展，从而更精确地进行训练和检测。为了对抗不平衡的WSN数据集，我们采用SMOTE-Tomek重采样技术，缓解过度拟合和欠拟合问题。我们对包含374,661条记录的WSN数据集（WSN-DS）进行了全面评估，确定了WSN入侵检测的最佳模型。我们研究的杰出成果是我们模型的显着表现。在二进制中，它实现了99.78%的准确率，在多类中，它达到了99.92%的卓越准确率。这些发现突显了我们的建议在WSN入侵检测方面的效率和优越性，展示了其在检测和缓解WSN入侵方面的有效性。

本论文旨在解决无线传感器网络（WSN）中入侵检测的问题，提高检测准确率并减少计算负担和误报率。

论文提出了一种创新的入侵检测方法，将机器学习技术与SMOTE-TomekLink算法相结合，通过合成少数类实例和消除Tomek链接来平衡数据集，显著提高了WSN中的检测准确率。

论文使用374,661条记录的WSN数据集进行了全面评估，并得出了优化模型。该模型在二进制情况下实现了99.78％的准确率，在多类情况下实现了99.92％的卓越准确率。

最近的相关研究包括：'A survey on intrusion detection in WSNs'， 'Intrusion Detection in Wireless Sensor Networks: A Comprehensive Review'， 'An efficient intrusion detection system for wireless sensor networks using random forest classifier'等。