利用机器学习方法，该研究介绍了一种高级网络流量分类系统，能够实时分析网络流量并识别各种网络服务类型。通过对网络流量中的模式进行分析，我们的方法将相似的网络流量归类为不同的网络服务，并将流量分解为多个小的流，每个流专门用于承载特定的服务。我们的机器学习模型基于包含不同网络服务类型的标记示例的数据集进行训练，并在评估中展现了出色的准确性。这些结果强调了将人工智能集成到无线技术中的巨大潜力，通过这种方法可以实现更高效的能源消耗、提供更好的服务质量保证以及优化网络资源的分配，为先进智能网络的发展打下坚实的基础。

Oct, 2023

该论文提出了一种新的可迁移交通预测框架 —— 域对抗时空网络（DASTNet），该框架通过预先训练多个源网络并使用目标网络的流量数据进行微调来实现跨不同城市的交通预测。使用图表示学习和对抗性领域适应技术来学习领域不变节点嵌入，并将其进一步融入到模型中来进行时空交通数据建模。在三个基准数据集上的实验表明，DASTNet 始终优于所有最先进的基线方法。

Feb, 2022

本文介绍了一种基于主动学习框架（ALF）的网络流量分类方法，它提供了准备好的软件组件，用于部署主动学习循环和自动维护数据集和机器学习模型的实例。该方法可应用于高速网络（100Gb/s），支持不同的注释、评估和数据集优化策略的研究实验。

Oct, 2022

网络入侵和网络威胁的早期检测是网络安全的主要支柱之一。本文提出通过对网络流量进行预处理，提取新的基于图论的指标，从而更高效地检测网络攻击，并克服传统方法的一些局限性。实验证实，该方法不仅能够克服传统方法的局限性，还能够实现更好的网络威胁检测能力。

Feb, 2024

本论文介绍了利用机器学习算法对物联网恶意软件流量进行检测的方法，通过分布式系统如 Apache Kafka 和 Apache Spark，并加速模型推理速度的 Intel oneAPI 软件栈，达到实时监测的效果，同时在智慧社区和医疗机构抵御网络威胁方面起到了关键作用。

Apr, 2023

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

本文介绍了一种名为 TAU 的智能交通系统，使用人工智能和无人机技术来实现自动化的交通分析和理解，可以高效准确地进行车辆检测、追踪、速度计算以及交通区域内车辆数量的计算，并且能从原始数据中提取 24 种类型的信息。

Mar, 2023

智能城市中的监控摄像头日益普及，结合在线视频应用的激增，引发了公共安全和隐私保护方面的担忧，促使自动化视频异常检测成为了人工智能领域中的一项基础研究任务。通过深度学习和边缘计算的进展，视频异常检测在智能城市和视频互联网中取得了显著进展和优势，超越了传统算法工程研究范围，成为部署在视频异常检测网络系统中的热点交叉研究领域。本文通过概述各种深度学习驱动的视频异常检测路线的基本假设、学习框架和适用场景，为新手提供了详尽的部署可用的视频异常检测网络系统教程。此外，我们展示了在工业物联网和智能城市方面的最新研究成果，并提供了一种用于部署可用的视频异常检测网络系统的端到云协同架构，以进一步阐明其潜在的研究和应用范围。最后，本文展望了未来发展趋势，并讨论了如何将人工智能和计算技术的融合应用于解决现有研究挑战和促进开放机会，为潜在的研究人员和工程师提供了有益的指导。

May, 2024

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

本文针对员工内部威胁检测进行研究，提出了一种实时活动层面的细粒度高效 LAN 框架，通过图结构学习同时学习活动序列内的时间依赖性和序列间的活动关系，采用混合预测损失来解决数据不平衡问题，实验表明 LAN 在实时和事后内部威胁检测中的性能优于其他基线方法。

Mar, 2024