Jul, 2023

基于机器学习的入侵检测：特征选择与特征提取

PDF
TL;DR本文围绕现代 UNSW-NB15 数据集进行了基于机器学习的 IoT 网络入侵检测方法的特征提取和特征选择方法的全面比较，结果显示，虽然特征选择方法在降维、训练和预测时间方面优于特征提取，但对于特征数量少的情况下，特征提取方法更具可靠性，并对选择合适的入侵检测类型提供了有用的指南。
internet of thingsmachine learningintrusion detectionfeature extractionfeature selection
发现论文，激发创造
  • 增强物联网安全性：一种新颖的特征工程方法用于基于机器学习的入侵检测系统

    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

  • 物联网入侵检测的高效网络流量特征集

    评估了使用不同的特征选择方法（信息增益、卡方检验、递归特征消除、平均绝对偏差和离散比）提供的特征集在多个 IoT 网络数据集中的影响，以提高计算机效率。结果显示在保持良好泛化能力的同时，提高了机器学习模型的计算效率，对于每个数据集识别出了最具影响力的特征，并且特征集之间几乎没有差异。

    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

  • 提升入侵检测系统的网络安全挖掘技术

    本文解决入侵检测系统中分类器存在的问题，提出使用顺序向后搜索和信息增益进行改进的特征选择方法以及利用离散随机变量和概率质量函数将名义网络特征转换为数值型特征的方法，并组合使用已知的标准化方法来实现混合标准化方法，通过广泛的比较研究证明改进后的方法在性能上表现更好。

    Dec, 2012

  • 用于检测 MQTT-IoT 协议攻击的多类分类方法

    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

  • 应用特征工程简化机器学习的 IoT 设备高效攻击检测

    该研究提出一种绕过深度学习管道中的特征工程并使用原始包数据作为输入的轻量级检测算法，即特征工程无机器学习（FEL-ML），用于在物联网设备上进行恶意软件检测，有效地加速低功耗 IoT 边缘的网络流量安全，且无需专家对特征工程进行重大投资。

    Jan, 2023

  • 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

  • 物联网设备入侵监测的智能机制

    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

  • 基于集成分类器的工业物联网鲁棒性攻击检测方法

    本文旨在开发一种两阶段的异常检测模型，通过集成机器学习技术 - 支持向量机和朴素贝叶斯，使用集成混合技术进行预测，以及神经网络分类器和随机森林算法进行结果分类，提高工业物联网网络的可靠性。测试结果表明，该模型的准确性最高可达 99％，且优于传统的技术。

    Jan, 2021

  • 基于机器学习的工业物联网网络漏洞分析

    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