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。

Nov, 2017

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

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

本文系统评估了物联网网络的安全需求、攻击向量和现有安全解决方案，探索了应用机器学习和深度学习技术来解决物联网网络不同安全问题的现有解决方案，并讨论了基于当前文献中现有解决方案的基础上，ML 和 DL 为基础的 IoT 安全的未来研究方向。

Mar, 2019

本文介绍了物联网系统中的安全问题以及现有的安全方法不足的问题，提出了如何利用机器学习和深度学习方法改进物联网系统安全的方案，并综述了各种机器学习和深度学习方法在物联网安全中的优缺点以及未来的研究方向。

Jul, 2018

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

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

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

该研究论文介绍了一个新颖的入侵检测方法，结合自监督学习、少样本学习和随机森林，通过从有限和不平衡的数据中学习并增强检测能力，优于现有方法，在物联网网络中检测和分类潜在的恶意软件和各种攻击，如 MaleVis 和 WSN-DS 数据集的准确率达到 98.60% 和 99.56%。

Jun, 2024

本研究比较分析了深度学习（DL）在处理物联网（IoT）任务中，如攻击分类和设备类型识别方面，如何超越机器学习（ML）的优点。通过训练和评估使用多个多样化的 IoT 相关数据集的 DL 模型，我们获得了有关这些模型在不同 IoT 配置下的适应性和实际性的宝贵见解。结果表明 DL 能够超越手动设计特征的限制，在攻击检测方面取得了优越的结果，并在设备类型识别方面达到了可比较的成果。此外，在实验中还出现了显著的特征提取时间差异：传统方法每个数据包需要约 29 毫秒，而 DL 只需 2.9 毫秒完成同样的任务。这个显著的时间差以及 DL 的卓越性能和手动设计特征的局限性，对物联网社区提出了强烈的行动呼吁。这促使我们从为每个数据集探索新的 IoT 特征转向解决将 DL 集成到 IoT 中的挑战，使其成为实际物联网场景的更有效解决方案。

Nov, 2023