TY -的A2 Sharma Vishal盟——首相塔伦达盟——Choubey Siddartha盟——Hota h . s . AU - Goyal s B盟——贾马尔萨贾德Shaukat盟——Shukla总裁Kumar盟——女子,巴桑特节PY - 2021 DA - 2021/12/28 TI -特征熵估计(费)恶意物联网交通使用机器学习和检测SP - 8091363六世- 2021 AB -识别异常和恶意的交通物联网(物联网)网络对物联网的安全至关重要。跟踪和阻止不必要的流量在物联网网络需要设计一个框架,用于识别更准确的攻击,很快,用更少的复杂性。许多机器学习(ML)算法证明了他们在物联网网络效率来检测入侵。但这ML算法存在许多错误分类问题由于不适当和不相关的特征尺寸。本文深入研究了解决这类问题。我们已经介绍了轻量级低成本特征选择物联网入侵检测技术与低复杂性和高精度由于其低的计算时间。小说提出了特征选择技术的集成rank-based卡方,皮尔逊相关性,分数的相关性提取相关特征数据集的所有可用的特性。然后,特征熵估计应用于验证提取所有功能之间的关系来识别恶意物联网的交通网络。最后,一个极端的梯度合奏提高方法用于分类的特征相关的攻击类型。仿真在三个数据集上执行。, NSL-KDD, USNW-NB15, and CCIDS2017, and results are presented on different test sets. It was observed that on the NSL-KDD dataset, accuracy was approx. 97.48%. Similarly, the accuracy of USNW-NB15 and CCIDS2017 was approx. 99.96% and 99.93%, respectively. Along with that, state-of-the-art comparison is also presented with existing techniques. SN - 1574-017X UR - https://doi.org/10.1155/2021/8091363 DO - 10.1155/2021/8091363 JF - Mobile Information Systems PB - Hindawi KW - ER -