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

网络流量分类是物联网中优化资源分配、增强安全措施和确保高效网络管理的关键问题。这篇综述论文通过系统分析和分类现有的深度学习方法，针对物联网环境中的网络流量分类问题，探讨了各种深度学习模型在处理物联网网络流量的独特挑战和限制方面的优缺点。通过这篇综述，我们旨在为研究人员和实践者提供有价值的见解，识别研究空白，并提供未来研究的方向，进一步提高基于深度学习的物联网网络流量分类的效果和效率。

Feb, 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

本文研究了如何通过深度神经网络的测量压缩和推理，实现 IoT 数据通信的有效率，并在实验中取得了 96% 的数据传输量节省和 2.5% 推理准确度下降的成果。

Mar, 2020

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

提出了一种创新性的基于深度学习的卷积神经网络和长短期记忆网络的物联网环境入侵检测系统，在 CICIDS2017 数据集上实现了 99.52% 的准确率，具有实时处理能力、可扩展性和低虚警率，成功应用于当今的物联网网络，对自适应学习技术和跨领域适用性等相关领域的发展和性能进行了讨论，为显著提高网络安全性提供了强有力的解决方案。

Jun, 2024

本文针对物联网（IoT）的威胁进行了分析，使用人工神经网络（ANN）来对抗攻击，着重于对 IoT 网络上正常和威胁模式的分类，并使用模拟的 IoT 网络来验证其有效性。实验结果表明，该 ANN 程序能够成功检测到各种 DDoS/DoS 攻击，准确率达 99.4%。

Apr, 2017

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

基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

Mar, 2024