• Table 3. Model Performance Metrics. Performance Metric 2 Class 6 Class 15 Class
  • Next–Generation Intrusion Detection for Iot evcs: Integrating cnn, lstm, and gru models




    Download 6 Mb.
    Pdf ko'rish
    bet9/16
    Sana18.02.2024
    Hajmi6 Mb.
    #158491
    1   ...   5   6   7   8   9   10   11   12   ...   16
    Bog'liq
    mathematics-12-00571

    5. Experimental Results
    The essence of empirical validation lies in the rigor of experimental analysis, wherein
    theoretical models confront the test of practical performance. This section presents a
    detailed exposition of the experimental results derived from the evaluation of the ensemble
    model, tailored for intrusion detection within the intricate framework of IoT-based EVCS.
    Using a methodological approach, the model was subjected to various tests, ranging from
    binary to multifaceted multiclass classifications. Each test was meticulously designed
    to probe the model’s predictive prowess across a spectrum of scenarios that mirror the
    heterogeneity of potential security breaches in IoT environments.
    Binary classification trials were aimed at discerning the presence or absence of intru-
    sion attempts, thus laying the groundwork for the model’s capability to distinguish between
    normal operations and anomalies. Progressing to more granular levels, six-class and fifteen-
    class classification tests were orchestrated to evaluate the model’s ability to identify specific
    types of intrusions, each with its unique signature and implications (Table
    3
    ).
    Table 3.
    Model Performance Metrics.
    Performance Metric
    2 Class
    6 Class
    15 Class
    Test Loss
    0.0000
    0.0532
    0.0632
    Test Accuracy (%)
    100
    97.44
    96.90
    Epoch
    6
    50
    50
    Training time (s)
    1885.46
    14803.63
    14719.47
    Testing time (s)
    42.53
    42.20
    40.65
    5.1. Binary Classification Results
    In an era where precision is paramount, the ensemble model demonstrates remarkable
    proficiency in binary classification within the specialized sphere of IoT security for EVCS.
    The model’s acumen, distilled through only six epochs, yielded a test loss imperceptible
    to statistical significance and a test accuracy that epitomizes perfection (Figure
    6
    ). Such
    exemplary performance, encapsulated within 1885.46 s of training and only 42.53 s of
    inferential judgment, heralds not only the model’s computational efficiency but also its
    potential deployment in scenarios where the immediacy of threat detection is paramount.
    The ensemble’s binary classification endeavor, delineating “No Intrusion” from “In-
    trusion”, culminated in an exemplary synchronization with the ground truth, as evinced by
    the congruence of precision, recall, and F1-score, each reaching the pinnacle of 1.00 for both
    categories (Table
    4
    ). This zenith of classification metric unanimity, seldom achieved in the


    Mathematics 2024, 12, 571
    16 of 26
    intricate domain of cybersecurity analytics, highlights the model’s sophisticated capacity
    to discern with meticulous exactitude.

    Download 6 Mb.
    1   ...   5   6   7   8   9   10   11   12   ...   16




    Download 6 Mb.
    Pdf ko'rish

    Bosh sahifa
    Aloqalar

        Bosh sahifa



    Next–Generation Intrusion Detection for Iot evcs: Integrating cnn, lstm, and gru models

    Download 6 Mb.
    Pdf ko'rish