• Figure 7. Confusion Matrix. Mathematics 2024
  • Figure 6. Model accuracy and loss. Table 4




    Download 6 Mb.
    Pdf ko'rish
    bet10/16
    Sana18.02.2024
    Hajmi6 Mb.
    #158491
    1   ...   6   7   8   9   10   11   12   13   ...   16
    Bog'liq
    mathematics-12-00571
    Спасибо!, 3- SINF IISH REJALARI 2022-2023, 5-A UMUMIY RO`YXAT - 2022 YIL, Анализнинг танланган боблари A kalit (Автосохраненный), 2-amaliy ish qisqa yoʻl mat model, Turdosh ta\'lim yo\'nalishlar 2023, KREATIV INDISTRUIAL RAWAJLANÍWDÍŃ JÁHÁN TÁJRIYBESI, Xakimjanova mag diss 2023, Labaratoriya ishi Oleum analizi., O\'ZGARMAS VA O\'ZGARUVCHAN TOK ELEKTR MASHINALARNING TUZILISHI VA ISHLASHINI O’RGANISH, 2 5287707406892011137[1], Mavzu Ovqatlanish salomatlik omili. Ovqatdan zaxarlanishlar va , Dasturiy maxsulotlar va axborot texnologiyalari Texnologik parki-fayllar.org, 47-модда, Tashkiliy hujjatlar-fayllar.org (2) (1)
    Figure 6.
    Model accuracy and loss.
    Table 4.
    Classification Report.
    Precision
    Recall
    F1-Score
    Support
    No Intrusion
    1.00
    1.00
    1.00
    279,968
    Intrusion
    1.00
    1.00
    1.00
    109,122
    accuracy
    1.00
    389090
    macro avg
    1.00
    1.00
    1.00
    389,090
    weighted avg
    1.00
    1.00
    1.00
    389,090
    The classification report and ensuing confusion matrix–both in their raw and nor-
    malized states–serve as a testament to the model’s impeccable discriminative abilities
    (Figures
    7
    and
    8
    ). They exhibit an unequivocal dichotomy between normalcy and intrusion,
    a dichotomy that is stark and devoid of the ambiguity that often plagues classification en-
    deavors. This absolute bifurcation in the model’s predictive capabilities marks a significant
    milestone in the quest for robust, fail-safe security systems in the burgeoning field of IoT.
    Figure 7.
    Confusion Matrix.


    Mathematics 2024, 12, 571
    17 of 26
    Figure 8.
    Normalized Confusion Matrix.
    5.2. Six-Class Classification Results
    The model’s ability to distinguish between the six nuanced threat landscapes is re-
    flected in an impressive accuracy of 97.44%, a metric that stands as a testament to its
    robustness and the veracity of its training (Figure
    9
    ). This level of accuracy, particularly in
    the complex and often chaotic environment of IoT security, speaks to the model’s sophis-
    ticated feature extraction and classification capabilities. Although the test loss of 0.0532
    indicates room for refinement, it remains a commendable figure given the intricacy of the
    task at hand (Figure
    9
    ). Further, the extended training duration of 14,803.63 s indicates
    the model’s intensive learning process and the rapid testing time of 42.20 s underscores its
    practical efficiency. This juxtaposition of extended training with swift testing is emblematic
    of a model that, once trained, can offer real-time, reliable threat detection, which is crucial
    for the active defense of IoT systems.
    Figure 9.
    Model accuracy and loss.
    The proposed model exhibits exceptional precision in the “Normal” category, achiev-
    ing perfect scores across precision, recall, and F1-score metrics (Table
    5
    ). The “DDoS” and
    “Scanning” categories also showed high metrics, demonstrating the model’s adeptness at
    identifying these particular types of intrusions. Challenges surfaced in the “Injection” and


    Mathematics 2024, 12, 571
    18 of 26
    “Malware” categories, where the precision and recall metrics indicated a greater difficulty in
    class distinction, suggesting potential avenues for future research and model enhancement.

    Download 6 Mb.
    1   ...   6   7   8   9   10   11   12   13   ...   16




    Download 6 Mb.
    Pdf ko'rish

    Bosh sahifa
    Aloqalar

        Bosh sahifa



    Figure 6. Model accuracy and loss. Table 4

    Download 6 Mb.
    Pdf ko'rish