提出了一种结合卷积神经网络（CNN）和长短期记忆（LSTM）深度学习模型的入侵检测系统（IDS）模型，用于保护物联网设备免受网络攻击的伤害，通过利用 CNN 的空间特征提取功能进行模式识别和 LSTM 的顺序记忆功能进行复杂时序依赖分析，实现了高精度和高效率的物联网流量检测和分类，验证结果表明该模型对于物联网环境的网络威胁具有很好的防御效果。

May, 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

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

提出了一种 CNN-LSTM 混合模型，用于物联网恶意软件识别，并使用 K 折交叉验证评估了其性能，其准确率达到 95.5%，超越了现有方法。研究表明，CNN 算法有助于构建学习模型，而 LSTM 分类器在分类方面表现出了更高的准确性。与普遍技术的比较分析证明了所提模型的有效性，突出了其提升物联网安全性的潜力。该研究主张进一步探索支持向量机作为替代方案，强调了分布式检测策略的必要性，并强调了预测分析对于更强大的物联网安全性的重要性。该研究为在物联网生态系统中制定更具韧性的安全措施提供了平台。

Dec, 2023

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

本文提出结合联邦学习和多层感知器神经网络的基于主机的入侵检测系统，可高精度检测 IoT 设备的网络攻击并增强数据隐私保护。

Jun, 2023

在大规模网络中及时捕捉侵入是十分具有挑战性的，本论文针对网络数据的时空特征，提出了一种层级卷积神经网络 + 循环神经网络，名为 LuNet 的机器学习方法能够更加准确地检测网络入侵，而且假警报率更低。

Sep, 2019

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

研究使用基于联邦学习的入侵检测系统解决物联网领域中的数据安全和隐私问题，并且实验结果表明，在使用预先训练的初始全局模型的情况下，相比随机初始化的全局模型，模型性能提高了 20% 以上（F1 得分）

Jun, 2023

通过生成对抗网络（GANs）、多尺度卷积神经网络（MSCNNs）和双向长短期记忆（BiLSTM）网络，以及与 Local Interpretable Model-Agnostic Explanations（LIME）进行解释性补充，引入、创新了一种入侵检测系统。该系统生成真实的包含正常和攻击模式的网络流量数据，通过 MSCNN-BiLSTM 架构进行入侵检测。MSCNN 层从不同尺度的网络流量数据中提取特征，而 BiLSTM 层捕获流量序列中的时间依赖关系。整合 LIME 可解释模型的决策。在 Hogzilla 数据集上的评估展示了多类分类和二分类的令人印象深刻的准确率，分别为 99.16％和 99.10％，同时通过 LIME 保证了可解释性。通过结合深度学习和可解释性，为提高入侵检测系统的透明度和决策支持提供了一个有前途的途径。

Jun, 2024