提出了一种基于贝叶斯优化 - 高斯过程（BO-GP）和集成树状学习模型的框架，以提高工业物联网环境中入侵和攻击检测的性能。实验结果显示，与标准树模型和集成树模型相比，该框架在检测精度、准确率和 F-score 方面有所提高。

Jan, 2024

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

本文通过使用集成机器学习方法以实现 IoT 的异常检测，提出了一个统一的框架，利用贝叶斯超参数优化适应包含多个 IoT 传感器读数的网络环境，实验结果表明与传统方法相比具有高预测能力。

Jul, 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

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

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

我们介绍了一种基于机器学习的网络入侵检测模型，使用随机过采样处理数据不平衡并基于聚类结果进行堆叠特征嵌入，以及使用主成分分析进行维度约简，特别适用于大规模和不平衡的数据集，并在三个现阶段的基准数据集：UNSW-NB15、CIC-IDS-2017 和 CIC-IDS-2018 上进行了评估，结果表明该模型的性能持续优于现有技术，证明了该方法在网络入侵检测领域的重要进展和有效性。

Jan, 2024

通过在深度神经网络中限制输入维数或参数维度，采用离散化方法可以显著提高不同数据集上的对抗攻击鲁棒性，2bit 离散化可在最大程度上提高对抗攻击抵抗力而只损失 1-2% 的精度。

Feb, 2019

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

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