基于 PLC 的过程控制的无监督集成方法进行异常检测
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
通过使用五个异构独立模型与双集成融合投票技术，该工作提出了一种新颖而强大的方法来进行异常检测，以提高工业冷却系统数据的可靠性和性能，实验结果表明该方法具有很高的准确性和可靠性。
Apr, 2024
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
提出了一种基于贝叶斯优化 - 高斯过程（BO-GP）和集成树状学习模型的框架，以提高工业物联网环境中入侵和攻击检测的性能。实验结果显示，与标准树模型和集成树模型相比，该框架在检测精度、准确率和 F-score 方面有所提高。
Jan, 2024
本文提出了一种新的基于特征选择和集成学习技术的入侵检测框架，使用 NSL-KDD、AWID 和 CIC-IDS2017 数据集进行实验证明，CFS-BA-Ensemble 方法在多个指标下具有更优越的性能。
Apr, 2019
我们介绍了一种基于机器学习的网络入侵检测模型，使用随机过采样处理数据不平衡并基于聚类结果进行堆叠特征嵌入，以及使用主成分分析进行维度约简，特别适用于大规模和不平衡的数据集，并在三个现阶段的基准数据集：UNSW-NB15、CIC-IDS-2017 和 CIC-IDS-2018 上进行了评估，结果表明该模型的性能持续优于现有技术，证明了该方法在网络入侵检测领域的重要进展和有效性。
Jan, 2024
本文介绍了一种新的 ICF 网络数据集 ICS-Flow，旨在为机器学习算法提供更加真实，有效的数据，作者通过实现决策树、随机森林和神经网络等多个模型来检测 ICSs 的安全隐患与攻击，并证明了该数据集可用于训练入侵检测的机器学习模型。
May, 2023
本文研究基于 1D 卷积和自编码器的简单轻量级神经网络攻击检测方法，将此方法应用于时间和频率域，评估结果表明，该方法能够匹配或超过先前的检测结果，同时具有小的足迹、短的训练和检测时间及普适性。此外，本文研究了所提方法对敌对攻击的鲁棒性，结果发现所提方法对敌对攻击具有强鲁棒性，可以受到更多信任。
Jul, 2019
本文旨在探讨在 IoBT 的环境下，通过成本效益较高的无监督学习和基于图的方法来检测入侵网络系统中的异常情况，同时采用集成方法进行监督学习的异常检测，研究结果表明，采用两级的监督堆叠集成方法能更好地识别出恶意活动。
May, 2021