使用人工智能工具结合经典的基于规则的流量过滤算法，在家庭路由器上本地有效地检测物联网威胁，实现对典型家庭物联网网络的保护，无需依赖云服务和第三方。

Jan, 2024

本文介绍了一种在边缘用户物联网环境下改进机器学习型入侵检测系统的方法，通过创建信息性特征来在成本和准确性之间实现平衡，并利用混合二进制量子启发式人工蜜蜂群算法和遗传规划算法来减少冗余特征。其中，NSL-KDD、UNSW-NB15 和 BoT-IoT 三个物联网入侵检测数据集被用于评估该方法。

Apr, 2024

本论文介绍了利用机器学习算法对物联网恶意软件流量进行检测的方法，通过分布式系统如 Apache Kafka 和 Apache Spark，并加速模型推理速度的 Intel oneAPI 软件栈，达到实时监测的效果，同时在智慧社区和医疗机构抵御网络威胁方面起到了关键作用。

Apr, 2023

本研究提出了一种带有四层新设计框架结构的嵌入式 PEs，使用高级综合 DBMF 工具支持 IOT 应用程序设备的感测。

Jan, 2023

我们的工作集中于创建分类模型，以数据集为基础，该数据集包含使用 MQTT 协议的 IoT 系统遭受攻击的帧，以提高入侵检测系统的性能。我们研究了集成方法和深度学习模型两种分类攻击的方法，并取得了非常令人满意的结果。

Feb, 2024

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

提出了一种新的传感模块，通过在传感器附近集成高效的机器学习模型，为传感框架提供智能数据传输能力，以解决当前传感系统中缺乏定向智能的问题，并通过调节数据传输频率，仅传输有价值的数据并丢弃无关信息。该模型经过量化和优化，用于实时传感器控制，结合定制化的训练过程和利用时间信息的 “懒惰” 传感器停用策略来增强框架性能，通过软件和硬件组件实现。实验证明，利用该模块的框架在能源消耗和存储方面实现了超过 85％的系统效率，并对性能几乎没有影响。该方法有潜力显著减少传感器的数据输出，从而惠及各种物联网应用。

Feb, 2024

本文介绍了一种名为 U-TOE 的通用工具包，它结合了低功耗嵌入式操作系统、通用模型转换器和编译器、集成性能测量模块以及开放访问的远程 IoT 测试平台的功能，旨在为 AIoT 设计师和研究人员提供便利，加速边缘计算的发展。

Jun, 2023

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

本文提出结合联邦学习和多层感知器神经网络的基于主机的入侵检测系统，可高精度检测 IoT 设备的网络攻击并增强数据隐私保护。

Jun, 2023