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
本文通过使用集成机器学习方法以实现 IoT 的异常检测,提出了一个统一的框架,利用贝叶斯超参数优化适应包含多个 IoT 传感器读数的网络环境,实验结果表明与传统方法相比具有高预测能力。
Jul, 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
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
通过集成离散化技术和集成方法,我们提出了一种基于离散化的集成堆叠技术,以提高我们的机器学习模型的安全性,通过对 28 个物联网设备网络流量的真实数据集进行白盒和黑盒攻击的性能评估,我们证明了提出的方法使得物联网设备识别模型具有鲁棒性。
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。
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
通过全面的研究和分析,本文旨在为人工智能在物联网快速发展的领域中保护 ML 模型和数据提供宝贵见解和实际解决方案。
Jan, 2024
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
通过改进的滚动窗口方法和多步特征选择过程建立和测试使用隔离的训练和测试数据集的机器学习模型,从而避免了先前模型的通用性限制,提高了对行为基础攻击检测和 IoT 网络攻击的准确性。
Oct, 2023