May, 2020

VANET 的差分隐私协作入侵检测系统

PDF
TL;DR本文提出了一种基于隐私保护机器学习的协作入侵检测系统（PML-CIDS），它可以通过应用分布式机器学习算法，实现 VANET 的高效安全检测，并通过差分隐私技术保护数据的隐私性。
vehicular ad hoc networkintrusion detection systemdistributed machine learningprivacy-preservingcollaborative learning
发现论文，激发创造
  • VANETs 中的攻击 / 异常检测

    提出了一种针对车辆自组织网络中恶意行为的实时检测系统，通过集成统计学和机器学习技术，以简单高效的方式快速检测攻击并识别恶意车辆，同时运用联邦学习提高隐私性和恶意节点检测的效率，以降低误报率。

    Jan, 2024

  • 一种基于转移学习和优化卷积神经网络的物联网车辆入侵检测系统

    本论文提出了一种基于转移学习和集合学习的基于卷积神经网络和超参数优化技术的 IDS，用于 IoV 系统的网络安全攻击检测以保护现代车辆系统。在实验中，该 IDS 在两个公共基准 IoV 安全数据集上表现出超过 99.25％的检测率和 F1 分数，表明了其对车内和外部汽车网络中的网络攻击检测的有效性。

    Jan, 2022

  • 基于树形结构的物联网智能入侵检测系统

    本研究提出了一种基于树形机器学习模型的智能入侵检测系统，可以有效识别自动驾驶汽车网络中的各种网络攻击，并且在高检测率和低计算成本同时实现。

    Oct, 2019

  • 基于机器学习的恶意车辆检测与对车辆自组织网络（VANET）通信的安全威胁和攻击

    我们提出了一个基于机器学习的方法来检测车辆自组网（VANET）中的黑洞攻击，并评估了各种机器学习算法的有效性，结果表明这些算法在区分正常节点和恶意节点方面是有效的。我们的研究结果强调了机器学习方法在增强 VANET 安全性方面的潜力。

    Jan, 2024

  • 通过联邦学习增强车联网中的入侵检测

    本文提出了一个基于联邦学习的入侵检测框架，通过使用 CIC-IDS 2017 数据集，在 Internet of Vehicles (IOV) 中实现去中心化机器学习，采用 SMOTE 来处理类别不平衡，异常观测值检测来识别和移除异常观测值，以及超参数调整来优化模型性能，并通过各种性能指标评估了该框架，展示了其在侦测入侵方面的效果，并能保护敏感数据同时实现高入侵检测性能。

    Nov, 2023

  • 车内网络异常检测

    本文讨论了 CAN 总线协议的安全问题，并提出了一种基于人工智能算法的入侵检测系统，旨在通过考虑时间序列特征和攻击频率来准确检测已知的网络攻击。

    May, 2022

  • MTH-IDS：一种面向车联网的多层级混合入侵检测系统

    本文提出一种多层次混合式 IDS，其结合基于签名的 IDS 和基于异常的 IDS，以检测车载网络上已知和未知攻击，实验结果表明，该系统能够以 99.99％的准确度检测到各种类型的已知攻击，并且对于新攻击检测也非常有效。

    May, 2021

  • 车联网中基于数据的不良行为检测

    本文介绍了一种基于数据中心的恶意行为检测算法，该算法可以独立地检测到错误的信息和节点的错误行为，不需要进行多数决策并上报管理员以处罚，从而减少了计算和通信成本。

    Mar, 2011

  • 基于 GAN 的车载网络入侵检测系统

    本文提出了一种基于生成对抗神经网络（GAN）的深度学习方法的车载网络入侵检测系统（GIDS），可用于检测未知攻击，实验证明 GIDS 对 4 种未知攻击具有较高的检测精度。

    Jul, 2019

  • 基于本地差分隐私的物联网联邦学习

    本文提出结合联邦学习和本地差分隐私（LDP）来实现机器学习模型以避免隐私泄露，并借助四种 LDP 机制来扰动车辆生成的梯度，其中 Three-Outputs 机制提高了隐私度同时降低了通信成本，并且本文建立了一个新的混合机制，通过结合 Three-Outputs 和 PM-SUB 提高了算法的性能。

    Apr, 2020