Thông tin chung
  English
  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác
  Tài liệu tham khảo
  Hiệu chỉnh
 
Số người truy cập: 107,103,118

 IoT Botnet Detection and Classification using Machine Learning Algorithms
Tác giả hoặc Nhóm tác giả: Pham Van Quan, Ngo Van Uc, Do Phuc Hao, Nguyen Nang Hung Van
Nơi đăng: Tạp chí Thông tin và Truyền thông, Bộ Thông tin và Truyền thông; Số: 1;Từ->đến trang: 38 - 49;Năm: 2023
Lĩnh vực: Công nghệ thông tin; Loại: Bài báo khoa học; Thể loại: Trong nước
TÓM TẮT
Bài báo nghiên cứu này tập trung vào thách thức quan trọng và phức tạp của việc phát hiện và phân loại các cuộc tấn công mạng (botnet-IoT) thông qua việc sử dụng các thuật toán học máy. Nghiên cứu đã tập trung vào việc phân tích tỉ mỉ và điều chỉnh dữ liệu botnet IoT, với sự tập trung đặc biệt vào tập dữ liệu IoT-23 được công nhận rộng rãi. Mục tiêu chính của bài báo là sử dụng các thuật toán học máy được công nhận và phổ biến, bao gồm các thuật toán như cây quyết định (Decision Trees), K láng giềng gần (K-Nearest Neighbors, rừng ngẫu nhiên (Random Forests) và eXtreme Gradient Boosting (XGBoost), nhằm phân loại và phát hiện tấn công một cách hiệu quả trong khuôn khổ của tập dữ liệu IoT-23. Bằng việc triển khai các thuật toán này, bài báo nhằm nâng cao nhận thức của chúng ta về hiệu suất và hiệu quả của chúng trong lĩnh vực phát hiện và phân loại botnet IoT. Thực hiện đã phân tíchvà so sánh các kết quả thu được từ các thuật toán khác nhau, sẽ mang lại những thông tin quý giá về ưu điểm và hạn chế của chúng, từ đó giúp các nhà nghiên cứu và chuyên gia có thể đưa ra quyết định về lựa chọn thuật toán phù hợp nhất để phát hiện và phân loại tấn công mạng thành công.
ABSTRACT
This scholarly research paper addresses the crucial and complex challenge of detecting and categorizing Internet of Things (IoT) botnets through the utilization of machine learning algorithms. The study is focused on conducting meticulous analysis and manipulation of IoT botnet data, with a specific emphasis placed on the widely acknowledged IoT-23 dataset. The principal aim is to employ widely recognized and widely-used machine learning algorithms, encompassing Decision Trees (DT), k-Nearest Neighbors (KNN), Random Forests (RF), and eXtreme Gradient Boosting (XGBoost), with the purpose of effectively classifying and detecting botnets within the confines of the IoT-23 dataset. By implementing these algorithms, the paper seeks to augment our understanding of their performance and efficacy within the domain of IoT botnet detection and classification. The execution of a comparative analysis, contrasting the outcomes derived from the diverse algorithms, will furnish invaluable insights into their respective merits and constraints, thereby enabling researchers and practitioners to make informed decisions concerning the most suitable algorithm for achieving successful IoT botnet detection and classification.
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn