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
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
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
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
本文介绍了一种新的基于深层自编码器的网络异常检测方法来检测和区分源于受攻击的 IoT 设备的长短时间攻击,实验表明该方法能够准确且即时地检测到 Mirai 和 BASHLITE 这两种最为广泛的基于 IoT 设备的僵尸网络攻击。
May, 2018
在物联网领域,由于数据量和网络威胁等方面的增长,数据的机密性和隐私性已经成为安全研究的重要领域。针对物联网环境中的安全性问题,越来越多的安全专家对设计强大的入侵检测系统感兴趣,以作为传统安全方法的补充。本综述论文总结了应用于物联网入侵检测系统的最新基于机器学习的方法,并对这些系统进行了全面的批判性回顾,探讨了机器学习流程中的潜在风险、从机器学习角度面临的挑战,并对未来的研究范围和建议进行了讨论。
Jun, 2023