May, 2022

ADDAI：分布式人工智能的异常检测

PDF
TL;DR本文提出了 ADDAI：一种分布式人工智能异常检测技术，旨在解决物联网（IoT）和工业物联网（IIoT）中大规模数据传输和系统高速运行的挑战，具有高速、鲁棒性、低通信开销、隐私保护和可扩展性等优点。该技术可减少工业物联网传感器数据上传到云端的通信开销，并提供了 98.4% 的预测准确率。
iotiiotdistributed computinganomaly detectionprivacy
发现论文，激发创造
  • 分层边缘计算中的物联网数据自适应异常检测

    提出了一种基于层级边缘计算系统的自适应异常检测方法，使用三个不同复杂度的 DNN 模型分别对物联网设备、边缘服务器和云进行检测，并设计了一种基于上下文信息提取的自适应方案，以同时实现高检测准确性和低检测延迟。实验结果表明与数据离线到云端处理相比，能将检测延迟降低 84%，同时保持准确性。

    Jan, 2020

  • DÏoT: 一种物联网联邦自学习异常检测系统

    本研究提出了 D"IoT，一种自主学习的分布式系统，用于有效检测受到攻击的 IoT 设备。它使用新颖的自学习方法将设备分类为设备类型，并为每个设备类型建立正常通信行为模式，以便随后检测通信模式中的异常偏差。该系统应用联邦学习方法高效地聚合行为文件，并可以应对出现的新的和未知的攻击。经过系统评估和大规模实验，该系统在检测受感染的 Mirai 恶意软件等方面表现高度有效（检测率为 95.6%），并且在实际智能家居环境中没有报告虚警。

    Apr, 2018

  • FDA3：云基工业物联网应用防敌模式下的联邦防御

    通过提出一种基于联邦学习的云端架构，我们的研究展示了一种有效的联合防御方法 (FDA3) 来防范工业互联网应用中的恶意攻击，该方法在不同的攻击来源中聚合防御知识，生成的深度神经网络在抵抗恶意攻击方面表现优异，适用于各种类型的新攻击。

    Jun, 2020

  • 基于深度置信网络的联邦入侵检测系统

    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

  • 基于深度学习的物联网网络流量分析

    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

  • 利用人工神经网络入侵检测系统对物联网网络进行威胁分析

    本文针对物联网（IoT）的威胁进行了分析，使用人工神经网络（ANN）来对抗攻击，着重于对 IoT 网络上正常和威胁模式的分类，并使用模拟的 IoT 网络来验证其有效性。实验结果表明，该 ANN 程序能够成功检测到各种 DDoS/DoS 攻击，准确率达 99.4%。

    Apr, 2017

  • 物联网应用的普适型人工智能：资源高效分布式人工智能综述

    本文综述了面向普适 AI 系统中资源调度的挑战，重点概述了分布式推断、训练和在线学习任务中的通信高效技术。

    May, 2021

  • 实时物联网系统中的新奇检测可适应和可解释框架

    该论文介绍了 Real-time Adaptive 和 Interpretable Detection（RAID）算法，该算法能够适应多元动态过程中的非静态效应，从而提高检测精度并改进根本原因的隔离控制。

    Apr, 2023

  • AI - 边缘设备下多智能体分布式学习的不确定性估计

    利用 FPGAs 和 AI 加速器，边缘物联网设备实现了计算能力的大幅提升，研究探讨了通过 AI 设备实现分布式数据处理的方法，并提出了在分布式学习环境中管理不确定性的一种新方法，即贝叶斯神经网络。

    Mar, 2024

  • 通过联邦学习增强物联网安全对抗 DDoS 攻击

    通过利用联邦学习技术，本研究提出了一种创新的策略来加强物联网网络对分布式拒绝服务攻击的安全性，实时检测并减轻攻击的影响，同时保护敏感数据的隐私。研究结果表明，在非独立非同分布数据集中，FedAvgM 的聚合算法优于 FedAvg，提供更好的稳定性和性能。

    Mar, 2024