通过组合融合分析提高基于机器学习的 DoS 攻击检测
该研究论文提出针对自动驾驶车辆中常用的多传感器融合技术进行攻击的框架,其中对摄像头模态进行针对性攻击,研究表明此攻击方式可以破坏多种融合模型,从而削弱其目标检测性能。
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
通过选择与网络攻击检测最相关的特征,在网络流量分析中训练机器学习模型所使用的高质量数据,可以提高模型的鲁棒性和计算效率。通过改进数据集、选择与时间相关的特征和更具体的特征集,以及进行对抗训练,机器学习模型在不损害正常流量传输的情况下显著提高了其抗对抗攻击的泛化能力,从而在企业计算机网络中可可靠地检测可疑活动和扰动流量。
Apr, 2024
该论文介绍了一种联邦学习方法,以检测针对由资源受限的频谱传感器管理的数据的攻击,通过创建适合 FL 的新数据集,将肆意加入的参与者调整到 33%以及四种聚合函数来提高模型的鲁棒性。
Jan, 2022
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
本文介绍了一种在边缘用户物联网环境下改进机器学习型入侵检测系统的方法,通过创建信息性特征来在成本和准确性之间实现平衡,并利用混合二进制量子启发式人工蜜蜂群算法和遗传规划算法来减少冗余特征。其中,NSL-KDD、UNSW-NB15 和 BoT-IoT 三个物联网入侵检测数据集被用于评估该方法。
Apr, 2024
本研究基于可靠的建模模拟数据,比较了监督机器学习方法在估算在空中战斗期间发射导弹的最有效时刻的能力,并采用重新采样技术提高预测模型,发现基于决策树的模型性能显着更优越,而其他算法对重新采样技术具有显著灵敏度。获得最佳 f1-score 的模型在没有和使用重新采样技术时的值分别为 0.379 和 0.465,后者增长了 22.69%。因此,通过构建模拟数据可以开发基于机器学习模型的决策支持工具,从而提高空战中的飞行质量,增加攻击特定目标的有效性。
Jul, 2022
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
本研究使用机器学习技术对恶意软件检测进行了全面研究,重点评估了在 Mal-API-2019 数据集上使用各种分类模型的效果,旨在通过更有效地识别和减轻威胁来提升网络安全能力。研究探讨了集成和非集成的机器学习方法,例如随机森林、XGBoost、K 最近邻(KNN)和神经网络。特别强调了数据预处理技术的重要性,尤其是 TF-IDF 表示和主成分分析,在提高模型性能方面起到了积极作用。结果表明,集成方法,特别是随机森林和 XGBoost,相比其他方法表现出更高的准确性、精确度和召回率,凸显了它们在恶意软件检测中的有效性。该论文还讨论了限制和未来的潜在方向,强调了持续适应恶意软件演变性质的需求。这项研究为网络安全领域的持续讨论做出了贡献,并为在数字时代开发更强大的恶意软件检测系统提供了实用洞察。
Mar, 2024