本文研究了使用机器学习分类算法以保证物联网 (IoT) 不受拒绝服务攻击 (DoS) 的前景。评估了流行数据集 CIDDS-001， UNSW-NB15 和 NSL-KDD 用于分类器的基准测试，并使用 Friedman 和 Nemenyi 测试来分析分类器之间的显着差异。最终提出了建议，以应用程序要求选择最佳分类器。

Feb, 2023

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

本文介绍了一个新的数据集 Bot-IoT，其中包括合法的和模拟的 IoT 网络流量以及各种类型的攻击，并提出了一种真实的测试环境来解决捕获完整网络信息、准确标记以及最近和复杂攻击多样性的现有数据集缺点，在统计和机器学习方法方面验证了 Bot-IoT 数据集的可靠性，为跨 IoT 特定网络允许 Botnet 识别提供了基线。

Nov, 2018

提出了一种将网络流量数据转换为图像并利用卷积神经网络（CNN）对恶意攻击进行监测的方法，其具有 99.99％的检测精度和 87％的平均精度，可用于 Internet of Things（IoT）设备的安全保障。

Dec, 2020

近年来，物联网（IoT）设备的发展和实施加快。为了处理收集和传输到这些设备的大量数据，需要一个超级网络。第五代（5G）技术是一种新的综合无线技术，有可能成为 IoT 的主要推动技术。物联网设备的快速普及可能遇到许多安全限制和问题，因此出现了新的严重安全和隐私风险。攻击者使用物联网设备发起大规模攻击，其中最著名的是分布式拒绝服务（DDoS）攻击。我们在特定设计用于 5G 网络中的物联网设备的数据集上应用了两个深度学习算法 —— 卷积神经网络（CNN）和前馈神经网络（FNN）。我们使用 OMNeT++、INET 和 Simu5G 框架构建了 5G 网络基础设施。数据集包括正常网络流量和 DDoS 攻击。CNN 和 FNN 这两个深度学习算法都表现出了令人印象深刻的准确性水平，均达到了 99%。这些结果凸显了深度学习在增强 5G 网络中物联网设备安全方面的潜力。

Nov, 2023

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

探讨机器学习在物联网（IoT）中的应用，应用对抗机器学习技术对欺骗攻击，协作攻击和干扰攻击进行防御，以提高数据发送的成功率和吞吐量。

May, 2019

该研究应用深度学习来自动识别组织内允许接入的 IoT 设备，以增强网络安全。相较于现有的方法，该方法不需要对网络通讯进行复杂的特征工程，而是通过生成设备通讯负载的小图片来表征 IoT 设备的通信行为。该方法可适用于任何协议的 IoT 设备，及网络地址转换（NAT）启用的路由器。在公开数据集上进行的多种场景测试表明，该方法对已知和未知的 IoT 设备都可以达到 99% 以上的识别准确度。

Mar, 2023

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

提出了一种网络感知的自动化机器学习框架，用于在软件定义的传感器网络中检测分布式拒绝服务攻击（DDoS）。该框架通过选择理想的机器学习算法，根据可变流量负载、异构流量速率和检测时间等指标，能够在网络受限环境中检测到 DDoS 攻击并避免过拟合。

Oct, 2023