Jun, 2024

无人机网络中用于多类分类的增强入侵检测系统

PDF
TL;DR本研究提出了一种新的用于无人机网络的入侵检测系统，采用二元元组表示来编码类别标签，结合基于深度学习的方法进行分类，通过捕捉复杂的类别关系和时序网络模式来增强入侵检测能力，并通过对不同无人机共同特征的交叉相关研究来排除可能误导入侵检测分类的相关特征。使用 UAV-IDS-2020 数据集进行了完整的实验研究，并使用不同的评估指标评估了所提出的入侵检测系统的性能，实验结果显示了所提出的多类别分类器模型的 95% 准确率。
发现论文，激发创造
  • 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

  • 一种基于联邦学习的飞行自组织网络入侵检测系统

    这篇论文介绍了一种基于联邦学习的入侵检测系统（FL-IDS），旨在提高无人机网络（FANET）的安全性。FL-IDS 利用联邦学习解决了集中式入侵检测系统的隐私问题，通过分散式操作使得无人机能够合作训练一个全局的入侵检测模型，而不共享原始数据。实验结果表明 FL-IDS 在保护隐私的同时，具有与集中式 IDS 相媲美的性能，并通过 BTSC 方法进一步增强了性能，甚至在较低的攻击者比例下超越了集中式 IDS。与传统入侵检测方法（如 L-IDS）的比较分析为 FL-IDS 的优势提供了深入的见解。该研究为 FANET 安全领域做出了重要贡献，提出了一种注重隐私的分散式入侵检测方法，以应对无人机网络的独特挑战。

    Dec, 2023

  • 学习网络入侵检测：一种数据驱动的方法

    本文通过采用不同的基于学习的模型来检测网络攻击，演示了无监督表示学习模型在二进制入侵检测任务中的优势，并使用 SVM-SMOTE 过采样技术缓解了 4 类分类中的数据不平衡问题，并进一步展示了过采样机制的有效性及其深入神经网络基础模型的缺陷。

    Aug, 2021

  • 基于深度学习的无人机应急响应航空影像分类

    本篇论文研究了利用无人机进行应急响应和灾害管理的自动化航空场景分类，提出了一个用于紧急响应的航空图像数据库（AIDER），并进行了现有方法的比较分析。通过该分析，开发出了一个轻量级的卷积神经网络（CNN）架构，能够在嵌入式平台上高效运行，在需要的时候能够在灾难性事件中提供即时帮助。

    Jun, 2019

  • 面向资源受限的无人机监控系统的分布式 CNN 推断：设计与优化

    本文提出了一种深度神经网络在无人机上的分布式方法，以实现资源受限设备中的数据分类，同时考虑无人机的移动模型和资源约束。模拟表明，所提出的优化方案优于现有的启发式方法和基于服务器的解决方案。

    May, 2021

  • 一种基于转移学习和优化卷积神经网络的物联网车辆入侵检测系统

    本论文提出了一种基于转移学习和集合学习的基于卷积神经网络和超参数优化技术的 IDS，用于 IoV 系统的网络安全攻击检测以保护现代车辆系统。在实验中，该 IDS 在两个公共基准 IoV 安全数据集上表现出超过 99.25％的检测率和 F1 分数，表明了其对车内和外部汽车网络中的网络攻击检测的有效性。

    Jan, 2022

  • 一种适应性双层单类分类入侵检测系统用于新兴网络威胁

    在这项研究中，我们提出了一个基于单类分类的入侵检测系统结构，并使用多分类机制和聚类算法嵌入二级模型中。该框架不仅可以识别未知攻击，还可以利用它们对未知攻击进行再训练，从而使模型能够随着新的威胁模式的出现而进化。通过在第一层使用单类分类器（OCC），我们的方法规避了攻击样本的需求，解决了数据不平衡和零日攻击的问题。我们的研究表明，这个框架在实际部署中具有很大的潜力。

    Mar, 2024

  • 基于树形结构的物联网智能入侵检测系统

    本研究提出了一种基于树形机器学习模型的智能入侵检测系统，可以有效识别自动驾驶汽车网络中的各种网络攻击，并且在高检测率和低计算成本同时实现。

    Oct, 2019

  • 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

  • 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