LATIDIA · Ciberseguridad

Desenmascarar el aprendizaje de atajos en la detección de intrusiones de IoT: una evaluación forense y multiparadigma de la dependencia de las funciones y la fuga de datos

arXiv: 2609.28725v1 Tipo de anuncio: nuevo Resumen: los sistemas de detección de intrusiones en la red basados en el aprendizaje automático a menudo informan un rendimiento casi perfecto en los puntos de referencia de IoT. Sin embargo, si estos modelos aprenden el ataque generalizable

La noticia

arXiv:2609.28725v1 Announce Type: new Abstract: Machine learning-based Network Intrusion Detection Systems often report near-perfect performance on IoT benchmarks. However, whether these models learn generalizable attack behavior or exploit spurious dataset shortcuts- such as static testbed IP/MAC addresses and chronological recording artifacts-remains an important question. We evaluate the CyberFlowIoT-GICAP benchmark, containing 3,617,388 flow records across 126 PCAP sessions with 849,395 benign flows. Four learning paradigms are evaluated across four feature configurations using PCAP-disjoint splits; LightGBM is additionally evaluated using conventional random-flow splitting. When only statistical flow behavior is used (Fbehav), LightGBM (92.58% +/- 8.18%), Random Forest (92.59% +/- 8.18%), and Deep MLP (92.55% +/- 8.18%) achieve nearly identical Macro-F1, indicating that