对抗性环境下的网络安全异常检测
本文旨在开发一种两阶段的异常检测模型,通过集成机器学习技术 - 支持向量机和朴素贝叶斯,使用集成混合技术进行预测,以及神经网络分类器和随机森林算法进行结果分类,提高工业物联网网络的可靠性。测试结果表明,该模型的准确性最高可达 99%,且优于传统的技术。
Jan, 2021
本文通过使用集成机器学习方法以实现 IoT 的异常检测,提出了一个统一的框架,利用贝叶斯超参数优化适应包含多个 IoT 传感器读数的网络环境,实验结果表明与传统方法相比具有高预测能力。
Jul, 2023
本文使用机器学习模型应对物联网系统中的不断增长的网络攻击数量,但对抗性攻击的威胁加大了对可靠防御策略的需求,描述了逼真的对抗性网络攻击示例所需的约束类型,并提出了一种可靠的对抗性鲁棒性分析方法,该方法通过适应性扰动模式方法 (A2PM) 生成约束性对抗性示例,针对常规和对抗性训练生成的模型执行了逃避攻击,并评估了三种有监督算法 (Random Forest (RF)、Extreme Gradient Boosting (XGB)、Light Gradient Boosting 机器 (LGBM)) 和一种无监督算法 (Isolation Forest (IFOR)),证明了基于树的算法和集成对对抗性攻击的固有易感性,展示了在 IoT 网络入侵检测和网络攻击分类中采用安全设计和对抗性训练方法带来更强大鲁棒性的好处。
Jan, 2023
通过半监督学习技术开发入侵检测系统,建立了两种策略:1)使用随机和均匀分布的合成攻击样本训练有监督机器学习模型;2)构建一种仅基于良性网络流量训练的一类分类模型。实验证明,基于最先进的异常检测技术 usfAD 的一类分类模型在考虑真实场景并要检测先前未见的攻击时优于传统的有监督分类和其他一类分类技术。
Mar, 2024
基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统,在考虑了本地子序列中包含的不同特征信息的基础上,自动学习环境传感器变量之间的复杂线性和非线性依赖关系,利用重构误差和判别误差的异常得分计算方法,可以高实时性地监测实际传感器数据的异常点,适用于智能卫星物联网系统。大多数情况下,异常检测优于基准方法,具有很好的可解释性,可用于监测环境传感器,预防工业事故和网络攻击。
Mar, 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
该研究提出了使用贝叶斯优化技术来调节支持向量机、随机森林和 k - 最近邻算法参数的异常检测框架,并使用 ISCX 2012 数据集评估了这些算法的性能,结果显示该框架在准确率、精度、误报率和召回率方面具有显著效果。
Aug, 2020
本文研究了采用机器学习中的对抗学习技术来识别培训数据集之外的数据作为人工智能自主驾驶车辆等多种安全关键功能系统的安全度量标志,鉴于这些系统的准确性取决于训练数据的质量,并探讨了这种技术在高度复杂的驾驶情景数据集中的表现。
Jun, 2023
本文研究联邦学习在物联网恶意软件检测中的应用及其安全问题。其中提出了一种使用联邦学习检测影响 IoT 设备的恶意软件的框架,并使用 N-BaIoT 数据集进行评估。研究表明,与传统方法相比,联邦学习方法可以显著提高模型性能,并且在保护用户隐私的前提下,其结果与集中式方法相似。此外,针对恶意攻击提出的其他模型聚合函数也可以提供显著改进,但需要进一步研究来提高联邦学习方法的鲁棒性。
Apr, 2021