В представленной исследовательской работе рассматривается стремительный рост Интернета вещей (IoT) в современных ИТ-разработках. Интернет вещей позволяет интегрировать физические элементы в цифровые структуры. Сложная инфраструктура интеллектуальных датчиков, сенсорных сетей, бытовой техники, промышленных контроллеров и медицинских устройств автоматизирует процессы, улучшает управление и предоставляет новые услуги. Использование Интернета вещей затрагивает энергетику, транспорт, производство, здравоохранение и образование.

 Цель исследовательской работы — продемонстрировать эффективность модели машинного обучения в классификации нормальных и аномальных данных в системах Интернета вещей (IoT).

Результаты исследования показывают, что метрики классификации, включая точность, полноту и F1-меру, демонстрируют высокую точность с коэффициентом классификации 1,0, особенно модель Random Forest, успешно выявляющая аномалии в поведении сети и запускающая оповещения при обнаружении угроз. Также подчеркиваются преимущества использования глубоких нейронных сетей для обнаружения вредоносного ПО в средах IoT, которые могут анализировать как статические бинарные файлы, так и поведение динамических процессов. Эти модели адаптируются к новым угрозам, усиливая меры безопасности там, где традиционные методы терпят неудачу.