Sep, 2024

基于优化的BERT模型在5G生态系统中的高效联邦入侵检测

HTML
PDF
TL;DR本研究解决了5G生态系统中日益复杂的网络安全问题，提出了一种基于联邦学习和大语言模型的强健入侵检测系统。通过优化BERT模型以适应边缘设备的性能要求，实验结果表明，该模型在集中式和联邦学习环境下均表现出色，显著提升了对恶意网络流量的检测能力。
发现论文，激发创造
  • 面向无线通信的联邦学习：动机、机遇和挑战

    该研究论文介绍了联邦学习的一般概念，讨论了在 5G 网络中可能的应用，并描述了联邦学习在无线通信背景下的关键技术挑战和未来研究的开放问题。

    Jul, 2019

  • 5G 网络安全联邦学习框架

    本文提出了一种基于区块链的安全联邦学习框架，通过构建智能合约，自动执行防御策略，识别恶意攻击参与者，同时采用本地差分私有化技术，有效地防止中毒和成员推断攻击。

    May, 2020

  • 物联网设备恶意代码检测的联邦学习

    本文研究联邦学习在物联网恶意软件检测中的应用及其安全问题。其中提出了一种使用联邦学习检测影响IoT设备的恶意软件的框架，并使用N-BaIoT数据集进行评估。研究表明，与传统方法相比，联邦学习方法可以显著提高模型性能，并且在保护用户隐私的前提下，其结果与集中式方法相似。此外，针对恶意攻击提出的其他模型聚合函数也可以提供显著改进，但需要进一步研究来提高联邦学习方法的鲁棒性。

    Apr, 2021

  • 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

  • FedEdge AI-TC: 一种基于可信联邦深度学习的移动边缘计算半监督流量分类方法

    提出了FedEdge AI-TC框架，利用联邦学习（FL）实现5G CPE的可靠网络流量分类（Network TC），并通过半监督TC算法、AI模型压缩和深度学习模型可解释性等方法优化模型的性能和部署，提高用户隐私和模型可信度，从而增强5G CPE的服务质量和安全性。

    Aug, 2023

  • 利用联邦学习进行工业物联网边缘设备网络的无监督异常检测

    通过使用联邦学习方法中的Fedavg算法解决了物联网设备中涉及的隐私问题，并提出了一个公平的Fedavg算法以解决在训练过程中出现的不公平问题。

    Aug, 2023

  • 通过联邦学习增强物联网安全对抗DDoS攻击

    通过利用联邦学习技术，本研究提出了一种创新的策略来加强物联网网络对分布式拒绝服务攻击的安全性，实时检测并减轻攻击的影响，同时保护敏感数据的隐私。研究结果表明，在非独立非同分布数据集中，FedAvgM的聚合算法优于FedAvg，提供更好的稳定性和性能。

    Mar, 2024

  • 5G及其后续V2X网络中的零日攻击检测的联邦学习

    利用深度自编码器方法检测基于良性网络流量模式的攻击，通过联邦学习训练侵入检测系统，同时保护CAVs的隐私并减少通信开销。在最新的网络流量数据集上进行的深入实验表明，该系统实现了高检测率，并最小化误报率和检测延迟。

    Jul, 2024

  • 增强物联网环境中的入侵检测：基于Kolmogorov-Arnold网络的高级集成方法

    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

  • 增强物联网环境中的入侵检测：一种先进的集合方法，使用Kolmogorov-Arnold网络

    本研究解决了物联网环境中入侵检测系统的有效性问题，提出了一种将Kolmogorov-Arnold网络与XGBoost算法相结合的混合入侵检测系统。该系统不仅在检测准确性上超过99%，还提升了模型的可解释性，表明这种创新方法能够显著增强物联网网络的安全性。

    Aug, 2024