Nov, 2017

基于深度学习的物联网安全信号动态水印认证

PDF
TL;DR本文提出了一种基于深度学习的动态数码水印方法以检测物联网 (IoT) 信号的网络攻击，该方法利用长短期记忆 (LSTM) 结构从信号中提取一组随机特征并将这些特征动态水印到信号中，可以保障 IoT 设备信号的可靠性，并有效地防止数据注入、窃听和中间人攻击等网络攻击。模拟结果表明，在攻击检测延迟小于 1 秒的情况下，消息的传输可以达到近乎 100% 的可靠性。
internet of thingscybersecuritydeep learningdynamic watermarkingsignal reliability
发现论文，激发创造
  • 大规模物联网系统中的信号认证和安全的深度学习分析

    本文提出了一种基于深度学习的新颖方法，通过动态认证 IoT 信号以检测网络攻击，并提出了在大规模 IoT 场景中，基于博弈理论框架来预测易受攻击的 IoT 设备，以提高云端的决策能力。通过模拟结果表明，本方法使得消息几乎以 100% 的可靠性从 IoT 设备传输。

    Mar, 2018

  • DLWIoT: 基于深度学习的水印技术用于授权的物联网接入

    该研究论文提出基于深度学习的水印技术，将用户凭证嵌入承载图像中，以保证只有授权用户可以进行 IoT 设备的上线，实验结果显示，授权用户可以在 2.5-3 秒内使用 DLWIoT 对 IoT 设备进行上线。

    Oct, 2020

  • 增强物联网安全的前沿深度学习方法

    提出了一种创新性的基于深度学习的卷积神经网络和长短期记忆网络的物联网环境入侵检测系统，在 CICIDS2017 数据集上实现了 99.52% 的准确率，具有实时处理能力、可扩展性和低虚警率，成功应用于当今的物联网网络，对自适应学习技术和跨领域适用性等相关领域的发展和性能进行了讨论，为显著提高网络安全性提供了强有力的解决方案。

    Jun, 2024

  • 基于 LSTM 的物联网设备识别

    本研究提出了一种利用长短期记忆（LSTM）来识别 Aalto 数据集中的设备的方法，该方法为预防性安全措施提供了一种重要手段以识别这些设备并检测它们遭受的漏洞。

    Apr, 2023

  • 以敌对深度学习的视角看 IoT 网络安全

    探讨机器学习在物联网（IoT）中的应用，应用对抗机器学习技术对欺骗攻击，协作攻击和干扰攻击进行防御，以提高数据发送的成功率和吞吐量。

    May, 2019

  • 使用机器学习技术的物联网系统恶意软件检测

    提出了一种 CNN-LSTM 混合模型，用于物联网恶意软件识别，并使用 K 折交叉验证评估了其性能，其准确率达到 95.5%，超越了现有方法。研究表明，CNN 算法有助于构建学习模型，而 LSTM 分类器在分类方面表现出了更高的准确性。与普遍技术的比较分析证明了所提模型的有效性，突出了其提升物联网安全性的潜力。该研究主张进一步探索支持向量机作为替代方案，强调了分布式检测策略的必要性，并强调了预测分析对于更强大的物联网安全性的重要性。该研究为在物联网生态系统中制定更具韧性的安全措施提供了平台。

    Dec, 2023

  • 利用 CNN 和 LSTM 提升物联网安全性的入侵检测系统

    提出了一种结合卷积神经网络（CNN）和长短期记忆（LSTM）深度学习模型的入侵检测系统（IDS）模型，用于保护物联网设备免受网络攻击的伤害，通过利用 CNN 的空间特征提取功能进行模式识别和 LSTM 的顺序记忆功能进行复杂时序依赖分析，实现了高精度和高效率的物联网流量检测和分类，验证结果表明该模型对于物联网环境的网络威胁具有很好的防御效果。

    May, 2024

  • DeepSigns: 用于深度学习模型知识产权保护的通用数字水印框架

    本研究提出 DeepSigns 方法，一种全新的用于深度学习模型中数字水印插入的知识产权保护框架，旨在保护模型构建者的竞争优势，并且方法能在模型压缩、模型微调和数字水印覆盖等多种情况下承受各种攻击。

    Apr, 2018

  • 深度神经网络的数字水印技术

    本文提出了一种深度神经网络数字水印技术，可用于深度神经网络的所有权授权。我们定义了嵌入深度神经网络数字水印的要求、嵌入情况和攻击类型，并提出了一种嵌入参数规则器的通用框架，最后通过实验证明我们的框架可以在深度神经网络的训练中嵌入数字水印，并在精调和参数修剪后保留所有权编码。

    Feb, 2018

  • 神经网络的概率鲁棒性水印技术

    我们介绍了一种新颖的基于触发集的水印技术，该方法对功能盗取攻击表现出强韧性，特别是涉及提取和精炼的攻击。我们的方法不需要额外的模型训练，并且可以应用于任何模型架构。通过计算可在源模型和代理模型集之间传输的触发集，我们展示了如果集合可传输的概率相当高，它可以有效用于盗取模型的所有权验证。我们在多个基准测试上评估了我们的方法，并展示了在所有考虑的实验设置中，我们的方法优于当前最先进的水印技术。

    Jan, 2024