Кілт сөздер
Дәйексөзді қалай келтіруге болады
Аңдатпа
IoT құрылғылары мен жоғары жылдамдықты 5G желілерінің пайда болуы дәстүрлі статикалық Желілік интрузияларды анықтау жүйесін (NIDS) ескіртеді. Статикалық модель тұжырымдамалық ауытқуды (concept drift) немесе желінің өзгеретін статистикалық заңдылықтары мен полиморфты шабуылдарды жеңе алмайды. Бұл мақала динамикалық жағдайларда жұмыс істеу кезінде модельдің деградациясына қарсы тұру үшін онлайн ағынды оқыту тәсілдеріне негізделген бейімделген нақты уақыттағы NIDS жүйесін ұсынуға және сынауға бағытталған. Біз бейімделгіш терезе (ADWIN) тұжырымдамалық ауытқу тесті бар Hoeffding Adaptive Tree (HAT) алгоритмін қолдандық. UNSW-NB15 деректер базасының 250 000 тізбекті деректерін модельдеу барысында дәстүрлі статикалық модель сыни ауытқу кезінде 96.50% дәлдікке дейін төмендейтінін, ал бейімделгіш модель дәлдікті 100% сақтайтынын көрсеттік. Сонымен қатар, ресурстарды профильдеу модельдің Edge AI үшін жарамдылығын растайды: жадты тұтынуы небәрі 198.08 МБ, ал өңдеу уақыты әр пакет үшін 0.37 мс құрайды. Динамикалық желілік орталарда бейімделген онлайн оқыту әдістері статикалық модельдерден айтарлықтай асып түседі және шеткі құрылғылар үшін сенімді қауіпсіздікті қамтамасыз етеді.