实时干扰识别通过监督学习：在物联网设备中嵌入共存意识

Sep, 2018

实时干扰识别通过监督学习：在物联网设备中嵌入共存意识

Real-time Interference Identification via Supervised Learning: Embedding Coexistence Awareness in IoT Devices

Simone Grimaldi, Aamir Mahmood, Mikael Gidlund

TL;DR针对物联网中通信无线协作对于设备上的干扰检测和识别 (IDI) 方式与商用的 IoT 硬件的限制相冲突的问题，本文提出了一个基于单次干扰爆发级别的干扰识别的轻量级和高效的方法，能够实时识别 IEEE 802.11b/g/n, 802.15.4, 802.15.1 和蓝牙低功耗无线标准中的干扰信号，并根据所采用的监督学习分类器的适当性能和复杂性权衡，针对不同 IoT 平台的计算能力进行处理。其中，实验结果在异构干扰场景中，显示了 90%-97% 的识别准确率，且分类器的性能与机器学习方法相当，能够在无线传感器网络 - COTS 硬件上实时运行。

Abstract

Energy sampling-based interference detection and identification (IDI) methods collide with the limitations of commercial off-the-shelf (COTS) IoT hardware. Moreover, long sensing times, complexity and inability to track concurrent interference strongly inhibit their applicability in most IoT deployments. Motivated by the increasing need for on-device IDI for

wireless coexistence interference bursts real-time extraction supervised-learning classifiers cots hardware

发现论文，激发创造

增强物联网安全性：一种新颖的特征工程方法用于基于机器学习的入侵检测系统

本文介绍了一种在边缘用户物联网环境下改进机器学习型入侵检测系统的方法，通过创建信息性特征来在成本和准确性之间实现平衡，并利用混合二进制量子启发式人工蜜蜂群算法和遗传规划算法来减少冗余特征。其中，NSL-KDD、UNSW-NB15 和 BoT-IoT 三个物联网入侵检测数据集被用于评估该方法。

Apr, 2024

基于机器学习的物联网应用入侵检测系统

本文研究了使用机器学习分类算法以保证物联网 (IoT) 不受拒绝服务攻击 (DoS) 的前景。评估了流行数据集 CIDDS-001， UNSW-NB15 和 NSL-KDD 用于分类器的基准测试，并使用 Friedman 和 Nemenyi 测试来分析分类器之间的显着差异。最终提出了建议，以应用程序要求选择最佳分类器。

Feb, 2023

物联网中基于机器学习的网络入侵检测的在线自我监督学习

本文提出了一种新颖的自监督入侵检测 (SSID) 框架，利用自编码深度随机神经网络和在线可信度估计，实现完全在线的机器学习入侵检测系统，适应网络流量的时变特性，避免离线数据采集和训练的人工与计算成本。该方法在公共数据集上得到实验验证，并与已知的机器学习模型进行比较，证明该 SSID 框架是一种精确和在线学习的物联网入侵检测系统。

Jun, 2023

深度学习用于干扰识别：波段，训练信噪比和样本选择

研究了干扰源识别问题，应用深度学习算法识别 Bluetooth，Zigbee 和 WiFi 三种无线技术的 15 个信道，通过优化 CNN 网络的训练，可在保证分类准确率的前提下将训练时间缩短至原先的大约 1/30。

May, 2019

基于集成学习的入侵检测系统保护雾计算物联网环境

该论文提出利用 NSL-KDD 数据集，结合多个学习器构建集成学习器，提高入侵检测的准确度，在雾到终端架构中实施两个级别的分类，实现入侵检测与精确预防的目的，实验结果表明该 IDS 比其他最先进的方法在该数据集上更为有效。

Jan, 2019

加强物联网环境中的网络入侵检测：自监督学习和少样本学习

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

低功耗 S2CGAN-IDS 对极度不平衡的 IoT 网络进行有效入侵检测

提出使用 S2CGAN-IDS 框架解决 IoT 网络中长期存在的类不平衡问题，通过利用网络流量的分布特征在数据空间和特征空间扩展少数类，保证多数类的检测精度的同时，显著提高少数类的检测率，实验结果表明，与优越方法相比，该方法在精度和召回率方面均表现优异，并且 F1 得分有 10.2% 的提高。

Jun, 2023

利用机器学习在动态无线环境中进行准确的物联网设备识别

通过累积分数为数据收集和机器学习算法训练引入的方法，在考虑到无线信道的动态影响时，成功实现了超过 97% 的设备识别的 F1 分数，相较于忽略信道动态对数据收集和设备延迟的影响时仅实现 75% 的 F1 分数，实现了显著改进。

May, 2024

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

使用卷积神经网络识别无线干扰

本文提出了基于深度卷积神经网络的无线干扰识别方法，该方法在信噪比至少为 - 5 dB 时具有大于 95％的分类准确性，适用于 IEEE 802.11 b /g，IEEE 802.15.4 和 IEEE 802.15.1 网络的重叠频率通道。

Mar, 2017