本文通过模拟工业网络行为，引入恶意行为并采用基于上下文和非上下文的入侵检测系统进行比较，发现采用上下文信息可以更可靠地识别恶意行为。

May, 2019

本研究探讨基于人工智能的网络威胁检测以保护我们的现代数字生态系统，主要关注评估基于机器学习的分类器和集成模型，用于异常恶意软件检测和网络入侵检测，并探讨如何将这些模型整合到网络安全、移动安全和物联网安全的环境中。讨论重点是在企业系统和 IT 基础设施中部署和整合 AI 增强的网络安全解决方案的挑战，以及克服这些挑战的选择。最后，本文提供了未来研究方向，以进一步增强我们现代数字产业、基础设施和生态系统的安全性和韧性。

Oct, 2023

本文介绍了利用机器学习技术进行工业物联网系统的安全性分析，漏洞评估和入侵检测，并在真实测试环境中验证了基于机器学习的异常检测系统在检测后门、命令注入和 SQL 注入攻击方面的有效性。

Nov, 2019

研究了未来挑战及数字线程的攻击向量与威胁，并讨论了智能制造在网络连接、整合工厂流程等方面所面临的网络安全、保密、完整性等问题。

Apr, 2023

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

DETECTA 2.0 是一个支持小型和中型企业预测性维护和网络安全战略的创新系统，结合了实时异常检测、高级分析和预测能力，通过半监督方法结合无监督异常检测和监督学习技术实现，借助数字孪生界面和先进的时间序列算法，能够提高机器利用率趋势的预测精度，为企业提供低成本、无缝集成的解决方案。

May, 2024

在物联网领域，由于数据量和网络威胁等方面的增长，数据的机密性和隐私性已经成为安全研究的重要领域。针对物联网环境中的安全性问题，越来越多的安全专家对设计强大的入侵检测系统感兴趣，以作为传统安全方法的补充。本综述论文总结了应用于物联网入侵检测系统的最新基于机器学习的方法，并对这些系统进行了全面的批判性回顾，探讨了机器学习流程中的潜在风险、从机器学习角度面临的挑战，并对未来的研究范围和建议进行了讨论。

Jun, 2023

本文提出结合联邦学习和多层感知器神经网络的基于主机的入侵检测系统，可高精度检测 IoT 设备的网络攻击并增强数据隐私保护。

Jun, 2023

我们的工作集中于创建分类模型，以数据集为基础，该数据集包含使用 MQTT 协议的 IoT 系统遭受攻击的帧，以提高入侵检测系统的性能。我们研究了集成方法和深度学习模型两种分类攻击的方法，并取得了非常令人满意的结果。

Feb, 2024

本文介绍了一种基于扩散模型的工业 4.0 实时异常预测方法，并采用神经符号方法将工业本体论集成到模型中，为智能制造添加形式化知识。最后，提出了一种简单而有效的方式来通过随机傅里叶特征将扩散模型压缩到一个嵌入式系统中，以直接集成到制造过程中。

Jul, 2023