本文研究了使用机器学习分类算法以保证物联网 (IoT) 不受拒绝服务攻击 (DoS) 的前景。评估了流行数据集 CIDDS-001， UNSW-NB15 和 NSL-KDD 用于分类器的基准测试，并使用 Friedman 和 Nemenyi 测试来分析分类器之间的显着差异。最终提出了建议，以应用程序要求选择最佳分类器。

Feb, 2023

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

该论文提出利用 NSL-KDD 数据集，结合多个学习器构建集成学习器，提高入侵检测的准确度，在雾到终端架构中实施两个级别的分类，实现入侵检测与精确预防的目的，实验结果表明该 IDS 比其他最先进的方法在该数据集上更为有效。

Jan, 2019

我们的工作集中于创建分类模型，以数据集为基础，该数据集包含使用 MQTT 协议的 IoT 系统遭受攻击的帧，以提高入侵检测系统的性能。我们研究了集成方法和深度学习模型两种分类攻击的方法，并取得了非常令人满意的结果。

Feb, 2024

在物联网领域，由于数据量和网络威胁等方面的增长，数据的机密性和隐私性已经成为安全研究的重要领域。针对物联网环境中的安全性问题，越来越多的安全专家对设计强大的入侵检测系统感兴趣，以作为传统安全方法的补充。本综述论文总结了应用于物联网入侵检测系统的最新基于机器学习的方法，并对这些系统进行了全面的批判性回顾，探讨了机器学习流程中的潜在风险、从机器学习角度面临的挑战，并对未来的研究范围和建议进行了讨论。

Jun, 2023

本文围绕现代 UNSW-NB15 数据集进行了基于机器学习的 IoT 网络入侵检测方法的特征提取和特征选择方法的全面比较，结果显示，虽然特征选择方法在降维、训练和预测时间方面优于特征提取，但对于特征数量少的情况下，特征提取方法更具可靠性，并对选择合适的入侵检测类型提供了有用的指南。

Jul, 2023

该研究提出一种绕过深度学习管道中的特征工程并使用原始包数据作为输入的轻量级检测算法，即特征工程无机器学习（FEL-ML），用于在物联网设备上进行恶意软件检测，有效地加速低功耗 IoT 边缘的网络流量安全，且无需专家对特征工程进行重大投资。

Jan, 2023

本文提出结合联邦学习和多层感知器神经网络的基于主机的入侵检测系统，可高精度检测 IoT 设备的网络攻击并增强数据隐私保护。

Jun, 2023

评估了使用不同的特征选择方法（信息增益、卡方检验、递归特征消除、平均绝对偏差和离散比）提供的特征集在多个 IoT 网络数据集中的影响，以提高计算机效率。结果显示在保持良好泛化能力的同时，提高了机器学习模型的计算效率，对于每个数据集识别出了最具影响力的特征，并且特征集之间几乎没有差异。

Jun, 2024

本文介绍了利用机器学习技术进行工业物联网系统的安全性分析，漏洞评估和入侵检测，并在真实测试环境中验证了基于机器学习的异常检测系统在检测后门、命令注入和 SQL 注入攻击方面的有效性。

Nov, 2019