以敌对深度学习的视角看 IoT 网络安全
本文提出了一种利用对抗深度学习的方式进行空中频谱污染攻击,攻击者可以构建深度神经网络来学习发射机的行为,对其频谱感知数据进行篡改,并对传输数据占用空闲时间槽。同时,通过打破正常的训练,攻击者可以实现欺骗(规避攻击)或者训练深度神经网络决策重构(因果攻击),这些攻击手法高效且难以检测。我们针对此类攻击设计了动态的防御系统,并通过一些手段干扰攻击者的训练数据以保证传输速率。
Nov, 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
本文综述了机器学习在物联网无线通信中的应用,重点关注了它的特定网络层,包括物理层、数据链路层和网络层等,以及对硬件实现的探讨;同时提供了对物联网无线通信中的机器学习面临的挑战和问题的详细分析。
Jan, 2019
该研究应用深度学习来自动识别组织内允许接入的 IoT 设备,以增强网络安全。相较于现有的方法,该方法不需要对网络通讯进行复杂的特征工程,而是通过生成设备通讯负载的小图片来表征 IoT 设备的通信行为。该方法可适用于任何协议的 IoT 设备,及网络地址转换(NAT)启用的路由器。在公开数据集上进行的多种场景测试表明,该方法对已知和未知的 IoT 设备都可以达到 99% 以上的识别准确度。
Mar, 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
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
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
本文针对物联网(IoT)的威胁进行了分析,使用人工神经网络(ANN)来对抗攻击,着重于对 IoT 网络上正常和威胁模式的分类,并使用模拟的 IoT 网络来验证其有效性。实验结果表明,该 ANN 程序能够成功检测到各种 DDoS/DoS 攻击,准确率达 99.4%。
Apr, 2017
近年来,物联网(IoT)设备的发展和实施加快。为了处理收集和传输到这些设备的大量数据,需要一个超级网络。第五代(5G)技术是一种新的综合无线技术,有可能成为 IoT 的主要推动技术。物联网设备的快速普及可能遇到许多安全限制和问题,因此出现了新的严重安全和隐私风险。攻击者使用物联网设备发起大规模攻击,其中最著名的是分布式拒绝服务(DDoS)攻击。我们在特定设计用于 5G 网络中的物联网设备的数据集上应用了两个深度学习算法 —— 卷积神经网络(CNN)和前馈神经网络(FNN)。我们使用 OMNeT++、INET 和 Simu5G 框架构建了 5G 网络基础设施。数据集包括正常网络流量和 DDoS 攻击。CNN 和 FNN 这两个深度学习算法都表现出了令人印象深刻的准确性水平,均达到了 99%。这些结果凸显了深度学习在增强 5G 网络中物联网设备安全方面的潜力。
Nov, 2023