2025 conference-paper

Machine Learning Techniques for Enhanced Intrusion Detection in IoT Security: A Hybrid Ensemble Classification Framework

Md. Mehedi Hasan, Md Mujibur Rahman, Mohammad Mustaneer Rahman, Md Khalilur Rahman Farhad, Md. Masum Billah, Nasib Ullah

2Citations signalées, ce qui n’est pas une note de qualité

5Institutions déclarées

4Pays d’affiliation déclarés

Rattachement africain : au, us, pk, my. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Network Intrusion Detection Systems (NIDS) play a vital role in safeguarding Internet of Things (IoT) environments against escalating security threats. As attack vectors become increasingly sophisticated, traditional detection methods struggle to maintain effectiveness, especially when managing the vast quantities of heterogeneous data generated by IoT networks. This research introduces a novel Hybrid Ensemble Classification (HEC) framework that integrates advanced machine learning and deep learning techniques to enhance intrusion detection performance in IoT security. Our approach addresses key challenges through three primary innovations: (1) a Weighted Correlation Analysis technique that dynamically adapts feature selection thresholds based on statistical properties of datasets; (2) an enhanced Synthetic Minority Over-sampling Technique with Entropy-based Neighborhood Calibration to address class imbalance issues; and (3) a hierarchical ensemble architecture that combines temporal pattern analysis via Gated Recurrent Units with Attention and feature space optimization through an enhanced Random Forest algorithm. Comprehensive evaluations across UNSW-NB15, CIC-IDS2018, and IoTID20 datasets demonstrate that our proposed framework consistently outperforms state-of-the-art approaches, achieving accuracy improvements of up to $3.91 \%$ and F1-score gains of up to $4.16 \%$, while maintaining computational efficiency suitable for resource-constrained IoT environments.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref: Machine Learning Techniques for Enhanced Intrusion Detection in IoT Security: A Hybrid Ensemble Classification Framework
Date Crossref: 09/08/2025
Éditeur: IEEE
Type: proceedings-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

Charles Sturt University pays non établi dans la notice
Université ou école supérieure
University of Tasmania pays non établi dans la notice
Université ou école supérieure
Lamar University pays non établi dans la notice
Université ou école supérieure
Information Technology University pays non établi dans la notice
Université ou école supérieure
University of Malaya pays non établi dans la notice
Université ou école supérieure
OmniEdge IT Solutions pays non établi dans la notice
Institution

Charles Sturt University, University of Tasmania et Lamar University, avec 3 autres affiliations.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Network Security and Intrusion Detection

Consulter la publication primaire Ouvrir le DOI