IoT Network Intrusion Detection Using Machine Learning Techniques

Bauyrzһan Omarov, Omirlan Auelbekov, Т К Койшиева, Ruslan Sadybekov, Yerkebulan Uxikbayev, Aizhan Bazarbayeva, Е.З. Уксикбаев

2022

Закрытый доступ Метаданные (CSL-JSON)

DOI 10.1109/sist54437.2022.9945769

Достоверность данных 85 высокая

Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

The approaches that are directly suited for the implementation of the process of detecting anomalies in data are discussed in this article, and a comparison of the most widely used ones is carried out using the following criteria: the speed of implementation and the model's data needs. As a consequence, it can be stated that determining the quality of a model at the emission detection stage is challenging, and as a result, it must be examined at the final step (through subsequent analysis of the identified anomalies of various methods). Combinations of various strategies are the most often utilized and accurate procedures, as shown by experience.