基于机器学习的物联网设备控制流数据的恶意软件检测
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
本文研究联邦学习在物联网恶意软件检测中的应用及其安全问题。其中提出了一种使用联邦学习检测影响IoT设备的恶意软件的框架，并使用N-BaIoT数据集进行评估。研究表明，与传统方法相比，联邦学习方法可以显著提高模型性能，并且在保护用户隐私的前提下，其结果与集中式方法相似。此外，针对恶意攻击提出的其他模型聚合函数也可以提供显著改进，但需要进一步研究来提高联邦学习方法的鲁棒性。
Apr, 2021
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
本论文介绍了利用机器学习算法对物联网恶意软件流量进行检测的方法，通过分布式系统如Apache Kafka和Apache Spark，并加速模型推理速度的Intel oneAPI软件栈，达到实时监测的效果，同时在智慧社区和医疗机构抵御网络威胁方面起到了关键作用。
Apr, 2023
本文提出一种低资源、基于机器学习的T800数据包过滤器来保护物联网(IoT)设备免受恶意攻击，该方案通过排除未请求的恶意流量，提高设备的计算能力，并适用于不同系统。
May, 2023
本文旨在提供跨架构物联网恶意软件检测和分类方法的最新研究。通过现代分类法，讨论特征表示、特征提取技术和机器学习模型，进一步探讨跨架构物联网恶意软件威胁猎捕中的实际挑战和未来研究的各个途径。
Jun, 2023
提出了一种CNN-LSTM混合模型，用于物联网恶意软件识别，并使用K折交叉验证评估了其性能，其准确率达到95.5%，超越了现有方法。研究表明，CNN算法有助于构建学习模型，而LSTM分类器在分类方面表现出了更高的准确性。与普遍技术的比较分析证明了所提模型的有效性，突出了其提升物联网安全性的潜力。该研究主张进一步探索支持向量机作为替代方案，强调了分布式检测策略的必要性，并强调了预测分析对于更强大的物联网安全性的重要性。该研究为在物联网生态系统中制定更具韧性的安全措施提供了平台。
Dec, 2023
通过优化超级学习器元学习集成模型，使其适用于低端人工智能物联网设备，可在低端设备上运行，具有较低的推理持续时间和更小的内存占用，同时获得与高端设备相似的准确性和假阳性率。
Apr, 2024
本研究针对物联网安全性面临的日益增加的网络攻击，探讨了机器学习在实时入侵检测中的应用。通过回顾最新的研究成果，提出了有效的检测策略，并指出现有安全框架的研究空白与局限，为未来研究提供了实践性见解。
Oct, 2024