Jun, 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

PDF
TL;DR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%。
发现论文，激发创造
  • 物联网中基于机器学习的网络入侵检测的在线自我监督学习

    本文提出了一种新颖的自监督入侵检测 (SSID) 框架，利用自编码深度随机神经网络和在线可信度估计，实现完全在线的机器学习入侵检测系统，适应网络流量的时变特性，避免离线数据采集和训练的人工与计算成本。该方法在公共数据集上得到实验验证，并与已知的机器学习模型进行比较，证明该 SSID 框架是一种精确和在线学习的物联网入侵检测系统。

    Jun, 2023

  • 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

  • 基于集成学习的入侵检测系统保护雾计算物联网环境

    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

  • 均衡取舍：工业物联网网络入侵检测的联邦迁移学习

    本研究提出了一种联邦迁移学习（FTL）方法来进行工业物联网网络入侵检测，并且通过使用组合神经网络作为 FTL 的核心来提高整体性能。

    Oct, 2023

  • 增强物联网安全性：一种新颖的特征工程方法用于基于机器学习的入侵检测系统

    本文介绍了一种在边缘用户物联网环境下改进机器学习型入侵检测系统的方法，通过创建信息性特征来在成本和准确性之间实现平衡，并利用混合二进制量子启发式人工蜜蜂群算法和遗传规划算法来减少冗余特征。其中，NSL-KDD、UNSW-NB15 和 BoT-IoT 三个物联网入侵检测数据集被用于评估该方法。

    Apr, 2024

  • 物联网设备入侵监测的智能机制

    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

  • 增强物联网安全的前沿深度学习方法

    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

  • 基于机器学习的物联网应用入侵检测系统

    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

  • 用于检测 MQTT-IoT 协议攻击的多类分类方法

    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

  • 基于深度置信网络的联邦入侵检测系统

    研究使用基于联邦学习的入侵检测系统解决物联网领域中的数据安全和隐私问题，并且实验结果表明，在使用预先训练的初始全局模型的情况下，相比随机初始化的全局模型，模型性能提高了 20% 以上（F1 得分）

    Jun, 2023