利用深度学习进行物联网设备识别
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
网络流量分类是物联网中优化资源分配、增强安全措施和确保高效网络管理的关键问题。这篇综述论文通过系统分析和分类现有的深度学习方法,针对物联网环境中的网络流量分类问题,探讨了各种深度学习模型在处理物联网网络流量的独特挑战和限制方面的优缺点。通过这篇综述,我们旨在为研究人员和实践者提供有价值的见解,识别研究空白,并提供未来研究的方向,进一步提高基于深度学习的物联网网络流量分类的效果和效率。
Feb, 2024
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
使用深度学习算法和无监督学习技术来监测和检测 IoT 网络中的异常,并在 KDD Cup 99 数据集上实施了一个模型,实验结果展示了异常检测模型的出色性能,达到了超过 98% 的准确率。
Feb, 2024
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
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
使用基于监督机器学习的设备指纹模型,仅利用通信流量特征(或隐含标识符)来识别网络连接的物联网设备,达到了对 22 个智能家居物联网设备进行分类的 98% 准确率,从而提高网络安全性。
Feb, 2024
本文提出了一种使用卷积神经网络(CNNs)解决物联网设备入侵攻击的新方法,将传感器数据编码为卷积操作,以便 CNNs 检测攻击,并在 ResNet 和 EfficientNet 上进行评估,并与 LSTM 基线比较,结果表明该方法可以显著提高 true positive 和 false positive rate。
Nov, 2022