物联网中网络流量分类的深度学习方法综述
本研究比较分析了深度学习(DL)在处理物联网(IoT)任务中,如攻击分类和设备类型识别方面,如何超越机器学习(ML)的优点。通过训练和评估使用多个多样化的 IoT 相关数据集的 DL 模型,我们获得了有关这些模型在不同 IoT 配置下的适应性和实际性的宝贵见解。结果表明 DL 能够超越手动设计特征的限制,在攻击检测方面取得了优越的结果,并在设备类型识别方面达到了可比较的成果。此外,在实验中还出现了显著的特征提取时间差异:传统方法每个数据包需要约 29 毫秒,而 DL 只需 2.9 毫秒完成同样的任务。这个显著的时间差以及 DL 的卓越性能和手动设计特征的局限性,对物联网社区提出了强烈的行动呼吁。这促使我们从为每个数据集探索新的 IoT 特征转向解决将 DL 集成到 IoT 中的挑战,使其成为实际物联网场景的更有效解决方案。
Nov, 2023
使用深度学习算法和无监督学习技术来监测和检测 IoT 网络中的异常,并在 KDD Cup 99 数据集上实施了一个模型,实验结果展示了异常检测模型的出色性能,达到了超过 98% 的准确率。
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
本文介绍了在 IoT 领域中使用深度学习技术进行分析和学习的综述,包括 IoT 数据的特征和处理方法,以及深度学习算法及其在 IoT 领域中的应用和挑战,同时讨论了智能 IoT 设备背景下应用深度学习的实现方法,以及在雾计算和云中心的运用。
Dec, 2017
本文系统评估了物联网网络的安全需求、攻击向量和现有安全解决方案,探索了应用机器学习和深度学习技术来解决物联网网络不同安全问题的现有解决方案,并讨论了基于当前文献中现有解决方案的基础上,ML 和 DL 为基础的 IoT 安全的未来研究方向。
Mar, 2019
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
本文综述了机器学习在物联网无线通信中的应用,重点关注了它的特定网络层,包括物理层、数据链路层和网络层等,以及对硬件实现的探讨;同时提供了对物联网无线通信中的机器学习面临的挑战和问题的详细分析。
Jan, 2019
本文评估了处理物联网数据挑战的不同机器学习方法,以智能城市为主要案例。该研究的关键贡献是提供一个机器学习算法分类法,阐述如何应用不同技术从数据中提取高层次信息。此外,还讨论了机器学习在物联网数据分析中的潜力和挑战,并介绍了应用支持向量机(SVM)在奥尔胡斯智能城市交通数据上的案例。
Feb, 2018
本文介绍了物联网系统中的安全问题以及现有的安全方法不足的问题,提出了如何利用机器学习和深度学习方法改进物联网系统安全的方案,并综述了各种机器学习和深度学习方法在物联网安全中的优缺点以及未来的研究方向。
Jul, 2018
近年来,物联网(IoT)设备的发展和实施加快。为了处理收集和传输到这些设备的大量数据,需要一个超级网络。第五代(5G)技术是一种新的综合无线技术,有可能成为 IoT 的主要推动技术。物联网设备的快速普及可能遇到许多安全限制和问题,因此出现了新的严重安全和隐私风险。攻击者使用物联网设备发起大规模攻击,其中最著名的是分布式拒绝服务(DDoS)攻击。我们在特定设计用于 5G 网络中的物联网设备的数据集上应用了两个深度学习算法 —— 卷积神经网络(CNN)和前馈神经网络(FNN)。我们使用 OMNeT++、INET 和 Simu5G 框架构建了 5G 网络基础设施。数据集包括正常网络流量和 DDoS 攻击。CNN 和 FNN 这两个深度学习算法都表现出了令人印象深刻的准确性水平,均达到了 99%。这些结果凸显了深度学习在增强 5G 网络中物联网设备安全方面的潜力。
Nov, 2023