MLSTL-WSN：基于 SMOTETomek 的机器学习入侵检测在 WSNs 中的应用

Feb, 2024

MLSTL-WSN：基于 SMOTETomek 的机器学习入侵检测在 WSNs 中的应用

MLSTL-WSN: Machine Learning-based Intrusion Detection using SMOTETomek in WSNs

Md. Alamin Talukder, Selina Sharmin, Md Ashraf Uddin, Md Manowarul Islam, Sunil Aryal

TL;DR我们提出了一种创新的入侵检测方法，将机器学习技术与 SMOTE-TomekLink 算法相结合，通过合成少数实例和消除 Tomek 链接，在无线传感器网络中实现了更高的检测准确性。该方法通过特征标准化和数据重采样技术解决了资源约束、数据冗余和不平衡数据集等问题，取得了非常卓越的性能，对于检测和缓解无线传感器网络中的入侵具有显著效果。

Abstract

wireless sensor networks (WSNs) play a pivotal role as infrastructures, encompassing both stationary and mobile sensors. These sensors self-organize and establish multi-hop connections for communication, collectively sensing, gathering, processing, and transmitting data about their sur

wireless sensor networks intrusion detection machine learning smote-tomeklink wsn dataset

发现论文，激发创造

利用机器学习进行无线传感器网络异常检测：一项调查

这篇综述论文概述了机器学习技术在无线传感器网络 (WSNs) 领域数据异常检测的应用现状，包括 WSNs 的特点和异常检测挑战，以及各种监督、非监督、半监督机器学习技术的应用和比较，最后讨论了应用机器学习技术在 WSNs 感知数据异常检测中的未来方向和开放性研究挑战。

Mar, 2023

利用机器学习技术在基于雾计算的无线传感器网络中缓解拒绝服务攻击

无线传感器网络中使用决策树和 XGBoost 两种机器学习模型能够更准确地识别拒绝服务攻击并减少影响，XGBoost 模型具有更高的真正阳性率（98.3%）和更低的假阳性率（1.7%）。

Sep, 2023

处理不平衡的机器人物联网数据集

使用 Synthetic Minority Over-sampling Techniques (SMOTE) 算法，就 Bot-IoT 数据集的类别不平衡问题进行了研究，并提出了能够检测攻击数据包并克服类别不平衡问题的二分类方法。通过数值结果，论文展示了所提出分类器的基本特征以及不平衡数据对其性能的影响。

Mar, 2024

基于机器学习的网络入侵检测在大规模和不平衡数据上的应用：过采样、堆叠特征嵌入和特征提取

我们介绍了一种基于机器学习的网络入侵检测模型，使用随机过采样处理数据不平衡并基于聚类结果进行堆叠特征嵌入，以及使用主成分分析进行维度约简，特别适用于大规模和不平衡的数据集，并在三个现阶段的基准数据集：UNSW-NB15、CIC-IDS-2017 和 CIC-IDS-2018 上进行了评估，结果表明该模型的性能持续优于现有技术，证明了该方法在网络入侵检测领域的重要进展和有效性。

Jan, 2024

加强物联网环境中的网络入侵检测：自监督学习和少样本学习

该研究论文介绍了一个新颖的入侵检测方法，结合自监督学习、少样本学习和随机森林，通过从有限和不平衡的数据中学习并增强检测能力，优于现有方法，在物联网网络中检测和分类潜在的恶意软件和各种攻击，如 MaleVis 和 WSN-DS 数据集的准确率达到 98.60% 和 99.56%。

Jun, 2024

提升信用卡欺诈检测的神经网络与 SMOTE 集成方法

信用卡欺诈检测是金融领域的一个重要挑战，需要使用先进的方法准确识别欺诈交易。本研究提出了一种创新的方法，将神经网络（NN）和合成少数类过采样技术（SMOTE）结合起来，以提高识别性能。该研究解决了信用卡交易数据中存在的不平衡问题，专注于技术的进步，用于强大而准确的欺诈检测。结果表明，相比传统模型，NN 和 SMOTE 的整合在精确度、召回率和 F1 得分方面表现出优越性，凸显其作为处理不平衡数据集的信用卡欺诈检测场景中的先进解决方案的潜力。本研究为开发有效和高效的机制来保护金融交易免受欺诈活动的努力做出了贡献。

Feb, 2024

使用 SMOTE 方法进行预测软件构建结果的合成少数类过采样技术

本研究运用数据流方法挖掘数据，构建决策树模型，通过软件构建过程中从源代码中获得的软件度量预测软件构建结果。使用 SMOTE 过采样算法合成新数据，并发现少量可用软件度量对预测构建结果具有重要意义。通过数据流处理，分类准确度可以持续提高至 80％，但由于数据在两个类别之间的分布而产生一些偏差。

Jul, 2014

无线传感器网络中的机器学习：算法、策略和应用

本文通过对于 2002-2013 年期间机器学习方法在无线传感器网络中应用的文献综述，评估和比较了各种算法的优缺点并提供了指导性建议，以帮助 WSN 设计人员为特定的应用挑选最合适的机器学习解决方案。

May, 2014

基于集成分类器的工业物联网鲁棒性攻击检测方法

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

高效的混合过采样和智能欠采样用于不平衡大数据分类

引入了一种名为 SMOTENN 的新型重采样方法，它通过使用 MapReduce 框架将智能欠采样和过采样结合在一起，从而解决了不平衡分类问题。实验结果表明，该方法在小型和中型数据集上优于替代重采样技术，并在大型数据集上达到了良好的效果且运行时间缩短。

Oct, 2023