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

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

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

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

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

通过利用人工智能进行半监督学习，本文介绍了一种针对 NFV 应用程序故障检测的方法，并创建了一个测试应用程序的配置文件，以检测异常行为并实现自动回滚功能，以避免网络停机。

Apr, 2018

本文介绍了一种新的基于深层自编码器的网络异常检测方法来检测和区分源于受攻击的 IoT 设备的长短时间攻击，实验表明该方法能够准确且即时地检测到 Mirai 和 BASHLITE 这两种最为广泛的基于 IoT 设备的僵尸网络攻击。

May, 2018

本文研究网络架构的演进和前景，并提出了一种新的概念架构用于 6G 网络，该架构具有两个关键元素，即整体网络虚拟化和普及的人工智能。提出的架构可以促进三种类型的相互作用，即数字孪生和网络切片范式之间的相互作用，面向模型驱动和数据驱动的网络管理方法之间的相互作用和虚拟化和人工智能之间的相互作用，以最大化 6G 网络的灵活性，可扩展性，适应性和智能性。

Jan, 2023

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。

May, 2022