使用CIA原则将领域知识注入模型，提高了AI入侵检测系统的可解释性和决策速度，并使该模型更加容易推广到未知攻击及大量物联网设备的流量。

Nov, 2019

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

通过无监督异构领域适应的开放集合蒲公英网络（OSDN）模型，从知识丰富的源网络入侵领域转移入侵知识到数据稀缺的目标物联网入侵领域，旨在提高入侵检测的准确性并发现新出现的目标领域入侵，实现了目标域与源域之间的知识转移。综合实验验证了OSDN模型的有效性，超过了三种先进方法16.9%。

Nov, 2023

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

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

该研究论文介绍了一个新颖的入侵检测方法，结合自监督学习、少样本学习和随机森林，通过从有限和不平衡的数据中学习并增强检测能力，优于现有方法，在物联网网络中检测和分类潜在的恶意软件和各种攻击，如MaleVis和WSN-DS数据集的准确率达到98.60%和99.56%。

Jun, 2024

本研究针对物联网设备面临的网络攻击问题，提出了一种前瞻性的方法，旨在在攻击造成损害前预测并缓解恶意活动。结合大型语言模型与长短期记忆网络的创新框架显著提高了预测能力，达到98%的整体准确率，为物联网网络安全提供了强有力的解决方案。

Aug, 2024

本研究解决了物联网 (IoT) 环境中入侵检测系统 (IDS) 的安全性不足问题。通过将Kolmogorov-Arnold网络 (KANs) 与 XGBoost 算法相结合，提出了一种新颖的混合 IDS 方法，显著提升了检测准确率，超过 99%。这一创新方法展示了在动态和复杂的 IoT 环境中加强安全框架的潜力。

Aug, 2024

本研究解决了物联网环境中入侵检测系统的有效性问题，提出了一种将Kolmogorov-Arnold网络与XGBoost算法相结合的混合入侵检测系统。该系统不仅在检测准确性上超过99%，还提升了模型的可解释性，表明这种创新方法能够显著增强物联网网络的安全性。

Aug, 2024

本研究针对物联网环境中日益复杂的网络安全威胁，提出了一种创新的实时攻击检测与响应框架，利用机器学习、可解释人工智能和大型语言模型。其独特之处在于模型独立架构和可解释性的结合，使系统管理员能够获得可理解的威胁分析，提升网络安全管理效率。

Sep, 2024