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

本文综述了应用深度强化学习方法来解决网络安全领域中的复杂、动态和高维防御问题的 DRL 方法，并强调了 DRL 在网络物理系统，自主入侵检测和通过游戏模拟来应对网络攻击的策略防御方面的价值，同时也提出了对未来 DRL 网络安全研究发展的建议。

Jun, 2019

本研究提出了一种新的深度学习方法来检测网络入侵，运用了卷积神经网络 (CNN) 模块、长短时记忆 (LSTM) 模块和支持向量机 (SVM) 分类器，结果表明与传统机器学习方法和其他深度学习方法相比，这种方法更加有效。

Jun, 2023

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

本文综述了深度强化学习在网络安全领域中的多种应用，尤其集中于网络威胁检测和终端保护。

Jun, 2022

本研究使用深度学习进行高级威胁检测，提高金融行业的网络安全性，并且聚焦异常入侵检测技术的研究。

Feb, 2024

通过对网络入侵检测系统进行基于机器学习的威胁模拟，发现现有文献中的威胁模型不适用于实际的网络安全情景，因此，有必要加强现有防御系统以及探索更加真实和有效的对抗方式。

Jun, 2021

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

智能电网越来越依赖于传感器和通信系统等先进技术来实现高效的能源生成、分配和消费，这使得它们成为了复杂网络攻击的目标。这项调查研究了最新的深度学习技术在智能电网主动网络安全方面的应用，并提供了基于深度学习的主动防御方法的综合分类和分析，以及与动态目标防御策略的交互作用，同时讨论了实际应用中的挑战和未来发展前景。

Jan, 2024