Нам нравится иметь простые и автоматизированные решения, но эти простые и автоматизированные решения в технологии могут также содержать риски, если их не решать должным образом. Безопасность IoT и проблемы конфиденциальности должны быть в центре внимания. Существует множество типов атак на сети IoT, которые могут повредить устройство или украсть конфиденциальную информацию. Поэтому методы искусственного интеллекта (ИИ) способны обнаружить и классифицировать неизвестное поведение сети путем изучения моделей сетевых атак наоснове больших объемов исторических данных. Мы использовали набор данных Aposemat IoT-23, исследовали историю и применили алгоритмы машинного обучения,такие как Decision Tree, Random Forest и Naive Bayes. Мы также сравнили точность этих алгоритмов машинного обучения на наборе данных IoT-23 и показали наиболее эффективный алгоритм машинного обучения по результатам использования набора данных Aposemat IoT-23, а также продемонстрировали методы инженерии признаков для предварительной обработки упомянутого набора дан