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
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
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
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
提出了一种受 Lockheed Martin 网络攻击链启发的新型 3 阶段入侵检测系统,用于检测复杂多步骤的攻击,通过第一个和第二个阶段的检测来预测第三个阶段的攻击,使用 ToN IoT 数据集,实现了平均 94% 的 F1 分数,性能优于基于随机森林模型的基准方法。
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
通过对网络入侵检测系统进行基于机器学习的威胁模拟,发现现有文献中的威胁模型不适用于实际的网络安全情景,因此,有必要加强现有防御系统以及探索更加真实和有效的对抗方式。
Jun, 2021
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