本文介绍了一种新的基于深层自编码器的网络异常检测方法来检测和区分源于受攻击的 IoT 设备的长短时间攻击，实验表明该方法能够准确且即时地检测到 Mirai 和 BASHLITE 这两种最为广泛的基于 IoT 设备的僵尸网络攻击。

May, 2018

本文首次将自编码神经网络引入到无线传感器网络中，提出一种基于两部分算法的分布式检测机制，可高效识别各种设备故障和未知现象，并在实际测试中获得了高检测精度和低误报率，同时具备适应非平稳环境的非监督学习特性。

Dec, 2018

提出了一种基于层级边缘计算系统的自适应异常检测方法，使用三个不同复杂度的 DNN 模型分别对物联网设备、边缘服务器和云进行检测，并设计了一种基于上下文信息提取的自适应方案，以同时实现高检测准确性和低检测延迟。实验结果表明与数据离线到云端处理相比，能将检测延迟降低 84%，同时保持准确性。

Jan, 2020

创新的混合建模方法结合统计学和卷积自编码器，利用动态阈值（基于马氏距离和移动平均）检测实时智能计量系统中的异常，从而提供早期预警，以预防灾难并在经济上受益于组织和消费者。

Apr, 2024

该研究文章提出了一种称为受限双变分自编码器（CTVAE）的新型深度神经网络 / 架构，可用于将入侵检测系统（IDS）的分类器提供更可分离 / 可区分和低维表示数据，相较于现行状态 - of-the-art 的神经网络，CTVAE 所需的内存 / 存储和计算能力更少，因此更适用于 IoT IDS 系统。通过与 11 个最流行的 IoT 僵尸网络数据集的广泛实验，表明 CTVAE 可以相对于现行的机器学习和表示学习方法，将攻击检测的准确度和 F 分数提高约 1％，同时攻击检测的运行时间低于 2E-6 秒，模型大小低于 1 MB。我们还进一步研究了 CTVAE 在潜在空间和重建表示中的各种特征，以证明与当前有名的方法相比，其有效性。

Dec, 2023

本文提出了一种基于自动编码器神经网络的检测方法，通过训练数据依赖性有效地克服了电力系统攻击检测中固有的训练数据不平衡性，实现了对假数据注入攻击的检测，并在 IEEE 118 节点电力系统上进行了实验验证性能表现良好。

Mar, 2020

本研究提出了一种无监督对抗自编码器（AAE）模型，用于检测不平衡电力分配网格中的虚假数据注入攻击（FDIAs），并在 IEEE 13 巴士和 123 巴士系统上展示了其在检测网络攻击方面的卓越性能。

Mar, 2024

这篇文章提出了一种基于深度学习技术的自编码器，通过学习超级计算机节点的正常行为来检测异常条件，测试结果表明该方法能够在正常系统行为学习阶段后，以非常好的准确率（在 88％至 96％之间）检测出之前未曾见过的异常条件，因此具有广阔的应用前景。

Nov, 2018

研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

Jan, 2019

通过剪枝、量化和深度自编码器压缩方法，本文提出了一种能够在有限时间和内存约束下实现模型大小减小的方法，以便在高度受限的硬件环境中更快速和容易采用的压缩模型，并在多变量异常检测中实现显著的模型压缩比（80% 至 95%）而不显著降低异常检测性能。

Mar, 2024