Apr, 2024

物联网中安全感知服务获取的深度强化学习方法

PDF
TL;DR提出一个完整框架，根据用户需求，在物联网中定义适当的隐私和安全需求级别，通过采用基于强化学习的解决方案来训练用户代理，选择最佳的智能对象以满足目标服务，并确保满足截止日期要求、用户的安全和隐私需求。
internet of thingssmart objectsservicessecurity and privacyreinforcement learning
发现论文，激发创造
  • 自主物联网的深度强化学习：模型，应用及挑战

    本文提出了一种新概念 “自治 IoT” 的集成方法，利用强化学习和深度强化学习做出决策，并在此基础上提出了 AIoT 的广义 RL/DRL 模型和综述现有的 DRL 在 AIoT 中的应用研究，并指出未来研究的挑战和问题。

    Jul, 2019

  • 物联网安全中的机器学习：现有解决方案与未来挑战

    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

  • 支持物联网和智能城市服务的半监督深度强化学习

    本文提出了一种半监督 DRL 模型，并将其应用于智能建筑的室内定位问题，在目标距离和接受的奖励方面相对于有监督的 DRL 模型提高了 23% 和至少 67%。

    Oct, 2018

  • 物联网安全的机器学习和深度学习方法调研

    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

  • 大规模物联网系统中的信号认证和安全的深度学习分析

    本文提出了一种基于深度学习的新颖方法，通过动态认证 IoT 信号以检测网络攻击，并提出了在大规模 IoT 场景中，基于博弈理论框架来预测易受攻击的 IoT 设备，以提高云端的决策能力。通过模拟结果表明，本方法使得消息几乎以 100% 的可靠性从 IoT 设备传输。

    Mar, 2018

  • 提升物联网智能性：基于 Transformer 的强化学习方法

    通过将 transformer 架构与 Proximal Policy Optimization（PPO）相结合，本文引入了一种新颖的框架来解决物联网应用中复杂环境下智能决策中的挑战，通过利用 transformer 的自注意机制，增强了强化学习代理在动态物联网环境中的理解和行动能力，从而提高了决策过程的效率。通过在智能家居自动化和工业控制系统等各种物联网场景中进行实证实验证明了该方法的有效性，显示了决策效率和适应性的显著提高。该研究的贡献包括对处理异构物联网数据中 transformer 的作用进行详尽的探索，对框架在不同环境中性能的全面评估，以及与传统强化学习方法进行的基准测试。结果表明该方法显著提高了强化学习代理在物联网生态系统中应对复杂性的能力，凸显了该方法在物联网领域智能自动化和决策制定领域的潜力。

    Apr, 2024

  • RL-DistPrivacy: 低延迟 IoT 系统隐私感知分布式深度推理

    本论文通过重新考虑分发策略，并利用增强学习设计来支持异构设备和多个 DNN / 数据集，实现协同深度推理的安全性，以平衡联合推理的延迟和数据隐私级别之间的权衡。

    Aug, 2022

  • 以敌对深度学习的视角看 IoT 网络安全

    探讨机器学习在物联网（IoT）中的应用，应用对抗机器学习技术对欺骗攻击，协作攻击和干扰攻击进行防御，以提高数据发送的成功率和吞吐量。

    May, 2019

  • 隐式群体推荐的安全人工智能物联网

    提出了一种基于安全 IoT 结构和协同贝叶斯网络模型的人群推荐算法 SAIoT-GR，旨在解决现有数据安全性和反馈偏差难题。通过大量实验，该算法表现出高效性和稳健性。

    Apr, 2021

  • 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