基于离散化的物联网稳健学习集成模型
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