Unmasking Shortcut Learning in IoT Intrusion Detection: A Forensic, Multi-Paradigm Evaluation of Feature Dependence and Data Leakage

arXiv cs.CR · 25 sept, 06:00

Investigadores evalúan un benchmark popular de detección de intrusiones en IoT (CyberFlowIoT-GICAP) y descubren que los modelos de machine learning logran rendimientos cercanos al perfecto no porque aprendan a detectar ataques reales, sino porque explotan artefactos espurios del dataset, como direcciones IP estáticas de testbed y anomalías temporales. El estudio, usando cuatro paradigmas de aprendizaje y divisiones disjuntas por sesión PCAP, muestra que el rendimiento depende mucho más del formato de datos (timestamps crudos, direcciones) que de la complejidad del modelo.