本文提出了一种基于 IoT honeypot 系统的安全增强方法，通过自适应高交互性的 HoneyIoT honeypot 系统来攻击 IoT 攻击者，该系统借助马尔科夫决策过程和强化学习技术学习攻击行为，并使用差分分析技术产生高保真响应。

May, 2023

本文介绍了一个新的数据集 Bot-IoT，其中包括合法的和模拟的 IoT 网络流量以及各种类型的攻击，并提出了一种真实的测试环境来解决捕获完整网络信息、准确标记以及最近和复杂攻击多样性的现有数据集缺点，在统计和机器学习方法方面验证了 Bot-IoT 数据集的可靠性，为跨 IoT 特定网络允许 Botnet 识别提供了基线。

Nov, 2018

本文对针对物联网、工业物联网和物理网络的蜜罐和蜜网进行了全面调查，提供了现有蜜罐 / 蜜网的分类和广泛分析，并阐述了现代化蜜罐 / 蜜网的关键设计因素以及未来物联网、工业物联网和物理网络环境下未解决的问题。

Aug, 2021

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

使用具有智能合约功能的入侵检测系统，将普通节点转化为诱饵来应对可疑活动，从而加强区块链物联网网络的安全性；利用贝叶斯博弈的策略分析潜在攻击者与增强型入侵检测系统之间的交互作用，重点关注并预测外部攻击，并强调在面对不断演变的攻击模式时的策略决策、优化的诱饵部署和自适应策略。

May, 2024

探讨机器学习在物联网（IoT）中的应用，应用对抗机器学习技术对欺骗攻击，协作攻击和干扰攻击进行防御，以提高数据发送的成功率和吞吐量。

May, 2019

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

使用基于监督机器学习的设备指纹模型，仅利用通信流量特征（或隐含标识符）来识别网络连接的物联网设备，达到了对 22 个智能家居物联网设备进行分类的 98% 准确率，从而提高网络安全性。

Feb, 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

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