Sep, 2023

利用机器学习技术在基于雾计算的无线传感器网络中缓解拒绝服务攻击

PDF
TL;DR无线传感器网络中使用决策树和 XGBoost 两种机器学习模型能够更准确地识别拒绝服务攻击并减少影响，XGBoost 模型具有更高的真正阳性率（98.3%）和更低的假阳性率（1.7%）。
wireless sensor networksdenial of service attacksmachine learning modelsxgboostfalse positive rate
发现论文，激发创造
  • MLSTL-WSN：基于 SMOTETomek 的机器学习入侵检测在 WSNs 中的应用

    我们提出了一种创新的入侵检测方法，将机器学习技术与 SMOTE-TomekLink 算法相结合，通过合成少数实例和消除 Tomek 链接，在无线传感器网络中实现了更高的检测准确性。该方法通过特征标准化和数据重采样技术解决了资源约束、数据冗余和不平衡数据集等问题，取得了非常卓越的性能，对于检测和缓解无线传感器网络中的入侵具有显著效果。

    Feb, 2024

  • 面向软件定义传感器网络的网络感知自动机器学习框架

    提出了一种网络感知的自动化机器学习框架，用于在软件定义的传感器网络中检测分布式拒绝服务攻击（DDoS）。该框架通过选择理想的机器学习算法，根据可变流量负载、异构流量速率和检测时间等指标，能够在网络受限环境中检测到 DDoS 攻击并避免过拟合。

    Oct, 2023

  • 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

  • 利用机器学习进行无线传感器网络异常检测：一项调查

    这篇综述论文概述了机器学习技术在无线传感器网络 (WSNs) 领域数据异常检测的应用现状，包括 WSNs 的特点和异常检测挑战，以及各种监督、非监督、半监督机器学习技术的应用和比较，最后讨论了应用机器学习技术在 WSNs 感知数据异常检测中的未来方向和开放性研究挑战。

    Mar, 2023

  • 无线传感器网络中的机器学习：算法、策略和应用

    本文通过对于 2002-2013 年期间机器学习方法在无线传感器网络中应用的文献综述，评估和比较了各种算法的优缺点并提供了指导性建议，以帮助 WSN 设计人员为特定的应用挑选最合适的机器学习解决方案。

    May, 2014

  • 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

  • 在云计算遥测中识别机器学习的 DoS 攻击

    本文提出了利用云环境中的遥测数据与机器学习算法来检测 DoS 攻击的方法，并且通过 k - 最近邻和决策树算法达到了很高的检测准确率。

    Apr, 2019

  • 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

  • 面向工业无线传感器网络的可信安全聚类生成对抗学习

    本文提出了一种基于生成对抗网络（GAN）的信任管理机制，用来解决对新型攻击的标记数据缺失以及传统机器学习算法训练数据集大小对系统安全性能的影响问题，在工业无线传感器网络中采用了二阶模糊逻辑来评估传感器节点的信誉，并建立了基于 GAN 的编解码结构来收集信任向量和检测恶意节点，同时构建了基于 GAN 的信任赎回模型来提高信任管理的鲁棒性。该机制可应用于可靠实时数据传输的安全聚类，实验结果表明具有高达 96% 的检测率和低于 8% 的误报率。

    Oct, 2022

  • 针对网络入侵检测数据集特征调整的集成分类器设计

    本文针对 UNSW-NB15 数据集的类不平衡和特征空间中的类重叠问题，提出了一种机器学习分类器的数据驱动设计和性能评估方法，其中使用 Balanced Bagging、eXtreme Gradient Boosting、Hellinger Distance Decision Tree 等集成方法来解决不平衡数据问题，提出了两种新的算法来解决类重叠问题，并提高了测试数据的分类性能。实验证明，相比已有技术，该方法在二元和多种情况下均有显著优势。

    May, 2022