Jun, 2023

低功耗 S2CGAN-IDS 对极度不平衡的 IoT 网络进行有效入侵检测

PDF
TL;DR提出使用 S2CGAN-IDS 框架解决 IoT 网络中长期存在的类不平衡问题，通过利用网络流量的分布特征在数据空间和特征空间扩展少数类，保证多数类的检测精度的同时，显著提高少数类的检测率，实验结果表明，与优越方法相比，该方法在精度和召回率方面均表现优异，并且 F1 得分有 10.2% 的提高。
发现论文，激发创造
  • 增强物联网安全的前沿深度学习方法

    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

  • DRL-GAN: 一种二进制和多类网络入侵检测的混合方法

    本文研究如何使用生成对抗网络合成的数据来训练深度强化学习模型，实现对于网络入侵检测中罕见攻击类型的有效分类。研究结果表明，使用特定合成数据集进行 DRL 模型的训练可比使用真实数据集得到更佳的分类表现。

    Jan, 2023

  • 处理不平衡的机器人物联网数据集

    使用 Synthetic Minority Over-sampling Techniques (SMOTE) 算法，就 Bot-IoT 数据集的类别不平衡问题进行了研究，并提出了能够检测攻击数据包并克服类别不平衡问题的二分类方法。通过数值结果，论文展示了所提出分类器的基本特征以及不平衡数据对其性能的影响。

    Mar, 2024

  • 基于深度置信网络的联邦入侵检测系统

    研究使用基于联邦学习的入侵检测系统解决物联网领域中的数据安全和隐私问题，并且实验结果表明，在使用预先训练的初始全局模型的情况下，相比随机初始化的全局模型，模型性能提高了 20% 以上（F1 得分）

    Jun, 2023

  • IDSGAN: 针对入侵检测的攻击生成的生成对抗网络

    本文提出了一种基于生成对抗网络的攻击框架 IDSGAN，用于欺骗和逃避检测来攻击入侵检测系统中的黑匣子攻击，通过针对多个基于算法的检测模型的比较实验，证明了该模型的鲁棒性和有效性。

    Sep, 2018

  • 基于集成学习的入侵检测系统保护雾计算物联网环境

    该论文提出利用 NSL-KDD 数据集，结合多个学习器构建集成学习器，提高入侵检测的准确度，在雾到终端架构中实施两个级别的分类，实现入侵检测与精确预防的目的，实验结果表明该 IDS 比其他最先进的方法在该数据集上更为有效。

    Jan, 2019

  • 使用卷积神经网络进行物联网入侵检测

    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

  • 使用 EBGAN 进行异常入侵检测

    该研究提出了一种基于 EBGAN 的入侵检测方法，IDS-EBGAN，旨在将网络记录分类为正常流量或恶意流量，该方法使用生成对抗网络（GANs）的强大建模能力解决网络流量巨大而复杂的问题，并采用重新构建误差的方法在测试阶段对流量记录进行分类 。

    Jun, 2022

  • 加强物联网环境中的网络入侵检测：自监督学习和少样本学习

    该研究论文介绍了一个新颖的入侵检测方法，结合自监督学习、少样本学习和随机森林，通过从有限和不平衡的数据中学习并增强检测能力，优于现有方法，在物联网网络中检测和分类潜在的恶意软件和各种攻击，如 MaleVis 和 WSN-DS 数据集的准确率达到 98.60% 和 99.56%。

    Jun, 2024

  • 基于机器学习的物联网应用入侵检测系统

    本文研究了使用机器学习分类算法以保证物联网 (IoT) 不受拒绝服务攻击 (DoS) 的前景。评估了流行数据集 CIDDS-001， UNSW-NB15 和 NSL-KDD 用于分类器的基准测试，并使用 Friedman 和 Nemenyi 测试来分析分类器之间的显着差异。最终提出了建议，以应用程序要求选择最佳分类器。

    Feb, 2023