基于 CNN 的物联网设备识别
本研究提出了一种利用长短期记忆(LSTM)来识别 Aalto 数据集中的设备的方法,该方法为预防性安全措施提供了一种重要手段以识别这些设备并检测它们遭受的漏洞。
Apr, 2023
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
本文提出了一种使用卷积神经网络(CNNs)解决物联网设备入侵攻击的新方法,将传感器数据编码为卷积操作,以便 CNNs 检测攻击,并在 ResNet 和 EfficientNet 上进行评估,并与 LSTM 基线比较,结果表明该方法可以显著提高 true positive 和 false positive rate。
Nov, 2022
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
该研究应用深度学习来自动识别组织内允许接入的 IoT 设备,以增强网络安全。相较于现有的方法,该方法不需要对网络通讯进行复杂的特征工程,而是通过生成设备通讯负载的小图片来表征 IoT 设备的通信行为。该方法可适用于任何协议的 IoT 设备,及网络地址转换(NAT)启用的路由器。在公开数据集上进行的多种场景测试表明,该方法对已知和未知的 IoT 设备都可以达到 99% 以上的识别准确度。
Mar, 2023
提出了一种 CNN-LSTM 混合模型,用于物联网恶意软件识别,并使用 K 折交叉验证评估了其性能,其准确率达到 95.5%,超越了现有方法。研究表明,CNN 算法有助于构建学习模型,而 LSTM 分类器在分类方面表现出了更高的准确性。与普遍技术的比较分析证明了所提模型的有效性,突出了其提升物联网安全性的潜力。该研究主张进一步探索支持向量机作为替代方案,强调了分布式检测策略的必要性,并强调了预测分析对于更强大的物联网安全性的重要性。该研究为在物联网生态系统中制定更具韧性的安全措施提供了平台。
Dec, 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
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
提出了一种将网络流量数据转换为图像并利用卷积神经网络(CNN)对恶意攻击进行监测的方法,其具有 99.99%的检测精度和 87%的平均精度,可用于 Internet of Things(IoT)设备的安全保障。
Dec, 2020
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