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

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

该研究回顾了当代文献，针对支持向量机（SVMs）作为分类器的不同类型的入侵检测技术进行了综合调查，并仅关注在网络安全领域中最广泛使用的两个数据集：KDDCUP'99和NSL-KDD数据集。研究人员提供了每种方法的总结，确认了SVMs分类器的作用并列出了涉及到的所有其他算法，并以表格形式对每种方法进行了重要评论，这些评论强调了评估指标，优点和局限性。

Sep, 2022

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

本文通过使用集成机器学习方法以实现IoT的异常检测，提出了一个统一的框架，利用贝叶斯超参数优化适应包含多个IoT传感器读数的网络环境，实验结果表明与传统方法相比具有高预测能力。

Jul, 2023

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

提出了一种基于贝叶斯优化-高斯过程（BO-GP）和集成树状学习模型的框架，以提高工业物联网环境中入侵和攻击检测的性能。实验结果显示，与标准树模型和集成树模型相比，该框架在检测精度、准确率和F-score方面有所提高。

Jan, 2024

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

本研究解决了物联网 (IoT) 环境中入侵检测系统 (IDS) 的安全性不足问题。通过将Kolmogorov-Arnold网络 (KANs) 与 XGBoost 算法相结合，提出了一种新颖的混合 IDS 方法，显著提升了检测准确率，超过 99%。这一创新方法展示了在动态和复杂的 IoT 环境中加强安全框架的潜力。

Aug, 2024

本研究针对物联网安全性面临的日益增加的网络攻击，探讨了机器学习在实时入侵检测中的应用。通过回顾最新的研究成果，提出了有效的检测策略，并指出现有安全框架的研究空白与局限，为未来研究提供了实践性见解。

Oct, 2024