Publication: Training and modeling with privacy in network data using machine learning
Abstract
Günümüzün veri odaklı ortamında, özellikle de Nesnelerin İnterneti cihazlarının yaygın olarak benimsenmesiyle birlikte gizlilik kaygıları çok önemli hale gelmiştir. Bu çalışmada, bu endişeleri gidermek için makine öğrenimi algoritmalarının, özellikle de Gaussian Naive Bayes, Logistic Regression ve Decision Tree Diferansiyel Gizlilik gibi gizliliği koruyan tekniklerle entegrasyonu araştırılmıştır. Bu yenilikçi yaklaşımın ilkeleri, yöntemleri ve sonuçları derinlemesine incelenmiş olup; Diferansiyel Gizlilik kullanılmayan makine öğrenmesi algoritması ile doğruluk karşılaştırması yapılmıştır. 83 ağ özelliği, 3 etiket sütunu ve 9 farklı saldırı türü ile nesnelerin interneti ağ trafiğini temsil eden bir veri kümesi kullanılarak yapılan bu çalışma Diferansiyel Gizliliğe sahip çeşitli makine öğrenmesi algoritmalarının, bireysel gizliliği korurken verileri nasıl etkili bir şekilde sınıflandırabildiğini göstermiştir. Gizlilik korumasının, sınıflandırma doğruluğunda karşılık gelen bir düşüşe rağmen, daha düşük ϵ değerlerinde bile doğruluğu gözlemlenmiştir. Bu, veri hassasiyetinin çok önemli olduğu IoT uygulamalarında Diferansiyel Gizliliğin güçlü gizlilik koruması sunma konusundaki potansiyeline işaret etmektedir.
Privacy concerns have become paramount in today's data-driven landscape, particularly with the widespread adoption of Internet of Things (IoT) devices. This work explores the integration of machine learning algorithms, specifically Gaussian Naive Bayes, Logistic Regression and Decision Tree, with privacy-preserving techniques like Differential Privacy to address these concerns. We delve into this innovative approach's principles, methods, and implications. Using a dataset representative of IoT network traffic, with 83 network features and 3 label column and 9 various attack types. We demonstrate how three various machine learning algorithms with Differential Privacy can effectively classify data while safeguarding individual privacy, highlighting its significance in pervasive connectivity and data-driven decision-making. Privacy protection is robust even at lower ϵ values, albeit with a corresponding decrease in classification accuracy. This underscores the potential of differential privacy to offer strong privacy protection in IoT applications where data sensitivity is a paramount concern.
Privacy concerns have become paramount in today's data-driven landscape, particularly with the widespread adoption of Internet of Things (IoT) devices. This work explores the integration of machine learning algorithms, specifically Gaussian Naive Bayes, Logistic Regression and Decision Tree, with privacy-preserving techniques like Differential Privacy to address these concerns. We delve into this innovative approach's principles, methods, and implications. Using a dataset representative of IoT network traffic, with 83 network features and 3 label column and 9 various attack types. We demonstrate how three various machine learning algorithms with Differential Privacy can effectively classify data while safeguarding individual privacy, highlighting its significance in pervasive connectivity and data-driven decision-making. Privacy protection is robust even at lower ϵ values, albeit with a corresponding decrease in classification accuracy. This underscores the potential of differential privacy to offer strong privacy protection in IoT applications where data sensitivity is a paramount concern.