基于深度学习的物联网设备识别方法
本研究采用深度学习方法分析网络流量,通过网络流量载荷生成小图像的方式,实现对连接到网络上的各种 IoT 设备及未授权连接的设备进行自动识别,训练出的多分类器在公开数据集上精度超过 99%。
Feb, 2020
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
网络流量分类是物联网中优化资源分配、增强安全措施和确保高效网络管理的关键问题。这篇综述论文通过系统分析和分类现有的深度学习方法,针对物联网环境中的网络流量分类问题,探讨了各种深度学习模型在处理物联网网络流量的独特挑战和限制方面的优缺点。通过这篇综述,我们旨在为研究人员和实践者提供有价值的见解,识别研究空白,并提供未来研究的方向,进一步提高基于深度学习的物联网网络流量分类的效果和效率。
Feb, 2024
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
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
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
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
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