Enhancing Intrusion Detection in IoT Environments: An Advanced Ensemble Approach Using Kolmogorov-Arnold Networks

要約

近年、機械学習技術の進化は、特にモノのインターネット (IoT) の文脈において、侵入検知の分野に大きな影響を与えています。
IoT ネットワークが拡大するにつれて、潜在的な脅威に対抗するための堅牢なセキュリティ対策の必要性がますます重要になっています。
このペーパーでは、コルモゴロフ・アーノルド ネットワーク (KAN) と XGBoost アルゴリズムを相乗的に組み合わせたハイブリッド侵入検知システム (IDS) を紹介します。
私たちが提案する IDS は、分類タスクでの高いパフォーマンスで知られる XGBoost の強力なアンサンブル学習技術と並行して、学習可能な活性化関数を利用してデータ内の複雑な関係をモデル化する KAN の独自の機能を活用します。
このハイブリッド アプローチにより、検出精度が向上するだけでなく、モデルの解釈可能性も向上し、動的で複雑な IoT 環境に適したものになります。
実験による評価では、当社のハイブリッド IDS が、良性のアクティビティと悪意のあるアクティビティを区別する際に 99% を超える優れた検出精度を達成していることが実証されています。
さらに、98% を超える F1 スコア、精度、再現率を達成することができました。
さらに、従来の多層パーセプトロン (MLP) ネットワークとの比較分析を実施し、精度、再現率、F1 スコアなどのパフォーマンス指標を評価します。
この結果は、KAN と XGBoost の統合の有効性を強調し、IoT ネットワークのセキュリティ フレームワークを大幅に強化するこの革新的なアプローチの可能性を強調しています。

要約(オリジナル)

In recent years, the evolution of machine learning techniques has significantly impacted the field of intrusion detection, particularly within the context of the Internet of Things (IoT). As IoT networks expand, the need for robust security measures to counteract potential threats has become increasingly critical. This paper introduces a hybrid Intrusion Detection System (IDS) that synergistically combines Kolmogorov-Arnold Networks (KANs) with the XGBoost algorithm. Our proposed IDS leverages the unique capabilities of KANs, which utilize learnable activation functions to model complex relationships within data, alongside the powerful ensemble learning techniques of XGBoost, known for its high performance in classification tasks. This hybrid approach not only enhances the detection accuracy but also improves the interpretability of the model, making it suitable for dynamic and intricate IoT environments. Experimental evaluations demonstrate that our hybrid IDS achieves an impressive detection accuracy exceeding 99% in distinguishing between benign and malicious activities. Additionally, we were able to achieve F1 scores, precision, and recall that exceeded 98%. Furthermore, we conduct a comparative analysis against traditional Multi-Layer Perceptron (MLP) networks, assessing performance metrics such as Precision, Recall, and F1-score. The results underscore the efficacy of integrating KANs with XGBoost, highlighting the potential of this innovative approach to significantly strengthen the security framework of IoT networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google