Información acerca de proyectos IoT
Foto de Usuario
jguzmanm

Ranking Troomes
Mensajes: 3
Registrado: 29 Sep 2022, 18:37
Contactar:

Resumen de aplicaciones de inteligencia artificial usando internet de las cosas.

Mensaje por jguzmanm » 21 Dic 2022, 19:57

Título: Ensemble machine learning approach for classification of IoT devices in smart home

Autor: Ivan Cvitić, Dragan Peraković, Marko Periša & Brij Gupta

Descripción: La investigación pretende clasificar dispositivos de IOT, independiente de su funcionalidad o finalidad, de acuerdo determinadas características en el tráfico de estos dispositivos.
La investigación se lleva a cabo en tres etapas, la primera etapa comprende identificar el problema y recolectar los datos para armar el dataset. La segunda etapa se introduce el índice Cu (Coeficiente de variación u del nivel de previsibilidad de tráfico para dispositivos Smart home IOT) y se definen las clases para los dispositivos IOT, en esta etapa los datos se normalizan. La tercera etapa abarca el desarrollo del modelo de clasificación, se utiliza el método de aprendizaje automático supervisado por conjuntos, el rendimiento del modelo desarrollado se mide utilizando medidas de validación estándar para los modelos de clasificación, como la matriz de confusión, la precisión, el coeficiente kappa, la TPR (proporción de verdaderos positivos), la FPR (proporción de falsos positivos), la medida F, la curva ROC (características operativas del receptor) y otras.
Imagen

Fases y actividades de la investigación

El primer dataset de esta investigación consta de un total de 103 archivos en formato .pcap, que contienen el historial de trafico de una red de SHIot (Smart home Iot devices), el segundo dataset cuenta con 41 archivos similares a los primeros, lo que hace un total de 144 archivos con tráfico de la red.

Para desarrollar el modelo de clasificación de dispositivos SHIot, se filtraron los archivos de manera individual tomando como referencia la MAC de los dispositivos de la red.

Para definir las clases de los dispositivos IOT se va a tomar en cuenta las características de cada dispositivo, y el nivel de predictibilidad del mismo, debido a que se cuentan con un total de 41 diferentes tipos de dispositivos, se evalua el Cu index de cada dispositivo para poder determinar el flujo de trafico de cada dispositivo y7 su predictibilidad.

Imagen




Luego se procede a definir las clases en función de los coeficientes de variación obtenidos

Métodos: Para el desarrollo de los modelos de clasificación de dispositivos SHIot, se utilizó el método logitboost. El método utilizado pertenece a los métodos de aprendizaje automático por conjuntos y se basa en el método estadístico de regresión logística.

Resultados: las pruebas se realizaron mediante el software Weka y Excel, se utilizo cross fold 10 para la validación de los datos.

Matriz de confusión
Imagen


TPR y FPR

Imagen

ROC y PCR

Imagen

Conclusiones: La investigación logro desarrollar un modelo para poder clasificar dispositivos de IOT en un entorno doméstico e inteligente, basado en un coeficiente de variación, se lograron definir cuatro clases de dispositivos basados en su coeficiente de variación del tráfico recibido y enviado.

Referencias: Ivan Cvitić, Dragan Peraković, Marko Periša, Brij Gupta. Ensemble machine learning approach for classification of IoT devices in smart home. https://doi.org/10.1007/s13042-020-01241-0

Título: A machine learning based framework for IoT device identification and abnormal traffic detection

Autor: Ola Salman, Imad H. Elhajj, Ali Chehab, Ayman Kayssi

Descripción: La investigación tiene como finalidad proponer un framework para la identificación de dispositivos Iot y la detección de trafico malicioso, utilizando el machine learning para la clasificación y la detección de intrusos.

El framework propuesto se compone de cuatro componentes principales: extractor de características, identificación de dispositivos Iot, identificación de tráfico y detección de intrusos.

Imagen

To collect the traffic from IoT devices, we consider the set of seven devices shown in Table 1. To collect normal traffic from the considered devices, the devices were installed in a private home network. There are two types of devices:

El dataset consta de información recolectada de dispositivos Iot, se consideran siete tipos de dispositivos, se consideran el trafico de los dispositivos pertenecientes a una red doméstica.

Metodos: para la clasificación se utilizaron los algoritmos basados en arboles de decisión y ramdon-forest, también se utlizaron métodos de Deep learning y redes neuronales.

Resultados: la solución planteada por la investigación presenta resultados prometedores para la detección de intrusos en la clasificación pro tipo de trafico y tipo de dispositivo. En la investigación se comparó el algoritmo random-forest con métodos de Deep learning, según los resultados random forest obtuvo mejores indicadores.

Conclusiones: El propósito de la investigación es brindar una solución para clasificar los dispositivos y el tráfico de intrusos en una red Iot doméstica, se logró el objetivo mostrando un rendimiento óptimo.
Referencias Ola Salman, Imad H. Elhajj, Ali Chehab, Ayman Kayssi. A machine learning based framework for IoT device identification and abnormal traffic detection. https://doi.org/10.1002/ett.3743


Título: An Efficient Spam Detection Technique for IoT Devices using Machine Learning

Autor: Aaisha Makkar, Neeraj Kumar, Ahmed Ghoneim

Descripción: La investigación propone evaluar métodos para la detección de spam en dispositivos Iot, se evaluarán hasta 5 modelos de machine learning para medir los resultados y ver cual se adecua al requerimiento.

El dataset utilizado para esta investigación consta de datos registrados durante 18 meses, para una mayor precisión en la investigación se tomaron en cuenta los datos de un mes, teniendo como variable importante el clima para el funcionamiento de los dispositivos Iot.

Los métodos que se desarrollaran en la investigación se muestran en la siguiente tabla.

Imagen

Resultados: Se obtuvieron datos de veinte hogares con dispositivos Iot, los experimentos variaron en función de la ubicación de los dispositivos y las condiciones climáticas.

El dataset fue entrenado con cinco modelos de machine learning, cada modelo produce un resultado distinto para cada dispositivo, en el siguiente cuadro se muestran la distribución de la puntuación de los modelos para medir el nivel de spam en los dispositivos.

Imagen
Conclusiones: La solución propuesta en la investigación logra detectar parámetros definidos como spam en los dispositivos Iot en una res doméstica, mediante el proceso de los modelos de machine learning cada dispositivo recibe una puntuación de nivel de spam, de este modo se precisan las condiciones para que u8n dispositivo funciones correctamente.

Referencias: Aaisha Makkar, Neeraj Kumar, Ahmed Ghoneim. An Efficient Spam Detection Technique for IoT Devices using Machine Learning. https://10.1109/TII.2020.2968927
Adjuntos
3.PNG
2.PNG
1.PNG


Responder