基于 LSTM 的物联网设备识别
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
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
本文提出了一种基于深度学习的动态数码水印方法以检测物联网 (IoT) 信号的网络攻击,该方法利用长短期记忆 (LSTM) 结构从信号中提取一组随机特征并将这些特征动态水印到信号中,可以保障 IoT 设备信号的可靠性,并有效地防止数据注入、窃听和中间人攻击等网络攻击。模拟结果表明,在攻击检测延迟小于 1 秒的情况下,消息的传输可以达到近乎 100% 的可靠性。
Nov, 2017
本文提出了一种基于深度学习的新颖方法,通过动态认证 IoT 信号以检测网络攻击,并提出了在大规模 IoT 场景中,基于博弈理论框架来预测易受攻击的 IoT 设备,以提高云端的决策能力。通过模拟结果表明,本方法使得消息几乎以 100% 的可靠性从 IoT 设备传输。
Mar, 2018
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
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
本文介绍了物联网系统中的安全问题以及现有的安全方法不足的问题,提出了如何利用机器学习和深度学习方法改进物联网系统安全的方案,并综述了各种机器学习和深度学习方法在物联网安全中的优缺点以及未来的研究方向。
Jul, 2018
本文介绍了利用机器学习技术进行工业物联网系统的安全性分析,漏洞评估和入侵检测,并在真实测试环境中验证了基于机器学习的异常检测系统在检测后门、命令注入和 SQL 注入攻击方面的有效性。
Nov, 2019