- 强大的零信任体系结构:联合基于区块链的联邦学习和基于异常检测的框架
通过区块链分布式学习和异常检测技术,提出了一个适用于物联网网络的强韧的零信任体系结构,可用于高效的远程工作和协作。该体系结构整合了异常检测和信任计算,保证了去中心化环境中的设备协同工作的安全性和可靠性。
- 基于机器学习的入侵检测中,单个数据包特征对模型泛化的风险
研究通过文献回顾和实验探索了使用个别数据包特征(IPF)来进行 IoT 网络中的入侵检测,发现 IPF 的局限性导致了误导性较高的检测率,强调了需要考虑数据包相互作用的方法来实现强健的入侵检测。此外,我们证明基于 IPF 的模型往往无法在不 - 基于深度学习的物联网网络流量分析
使用深度学习算法和无监督学习技术来监测和检测 IoT 网络中的异常,并在 KDD Cup 99 数据集上实施了一个模型,实验结果展示了异常检测模型的出色性能,达到了超过 98% 的准确率。
- 马尔可夫物联网模型中的交通学习和主动型无人机轨迹规划与数据上行
通过学习的基于马尔可夫事件的新颖框架,利用无人机作为飞行基站,预测 IoT 设备的流量到达并优化多个无人机的轨迹和调度策略,最终通过深度强化学习方法改进传输性能。
- 联邦学习算法的效率和隐私的实证研究
物联网网络和数据处理技术的发展对分布式学习方法中的联邦学习具有巨大潜力,本论文通过两个实例展示了联邦学习在物联网网络中实现高效和保护隐私的机器学习的潜力,并通过模拟研究了隐私和准确性之间的权衡关系。
- 基于机器学习的 VLC 物联网网络的分布式 TDMA
本文提出了一种基于机器学习的分布式可见光通信物联网网络的时分多址(TDMA)算法,该算法基于强化学习算法 Q-learning,并考虑了分布式环境中的同步和数据传输时隙分配问题。结果表明,该算法相较于 CSMA/CA 算法,在网络中能够提供 - 通过 MUD 活动的动态监测检测物联网体积攻击中的异常微流量
通过 SDN 技术对物联网设备的预期行为进行监督,并使用单类别分类器模型检测体积攻击,从而在检测新的网络攻击方面提供更高的可见性和精确性。
- 资源受限的无线传感器和物联网网络中的协议合成增强学习
本文探讨了使用强化学习的在线协议合成的概念。 该研究在使用超低复杂度无线收发器的传感器和物联网网络的背景下进行。 该论文介绍了在不同的网络和流量条件下使用 RL 和 Multi Armed Bandit(MAB)(一种特定类型的 RL)来进 - 面向非独立同分布数据的基于标签的联邦学习知识蒸馏
提出一种名为 Full-stack FL 的新型联邦学习框架,通过使用分层网络架构和标签驱动的知识蒸馏技术,解决大规模 IoT 网络下的可扩展性问题和异构数据环境下的鲁棒性问题,从而在所有全局蒸馏中显著提高了联邦学习的效率。
- MM物联网联邦学习:最近进展、分类和开放挑战
本文介绍了联邦学习在物联网应用中的先进发展,提出了一系列度量标准以进行严格评估,设计出了物联网网络上的联邦学习分类法,并提出了比联邦学习更好的隐私保护的分散联邦学习的两种用例,最后提出了一些开放性研究挑战和可能的解决方案。
- MM未来无线网络中的 AI 实现:数据生命周期视角
近年来,移动计算和物联网网络的快速部署使得无线系统的通信和感知能力大幅增强,而基于大数据分析、普适计算和人工智能(AI)的新型网络架构 —— 无线 AI 将 AI 推向网络边缘,成为未来智慧网络演进的关键,本文提出了一个从数据驱动的角度出发 - MM物联网数据聚合技术
本论文旨在为大规模物联网网络设计高效的数据聚合框架,以支持物联网分析层的正确运行,研究内容包括非凸优化、机器学习、随机矩阵扰动理论和联邦滤波等现代算法框架,以及雾计算和云计算等现代计算基础架构。本研究提出了三种独立的新方法,分别解决了 Io - 物联网网络的联合活动检测和信道估计:阶跃转换与计算 - 估计平衡
通过研究群组稀疏估计问题的相变行为,利用数据传输的稀疏模式,开发了一种结构化的群组稀疏估计方法来同时检测活动设备并估计相应的信道,从而解决物联网网络中海量设备连接的沟通问题,并进一步开发了一种平滑方法来解决高维结构估计问题,从而在限定时间预 - 无线通信稀疏表示:一种压缩感知方法
本文介绍了稀疏表示在无线通信领域的各种应用,重点介绍了最近在压缩感知技术方面的应用。文章提供了稀疏表示在 5G 和物联网网络中增强频谱效率和能效的相关原则、不同稀疏域及其应用。
- 定期接入和随机接入无线网络的公平共存:未授权 LTE/WiFi
研究定时和随机接入发射器共享相同频道的公平共存。结果显示,混合定时和随机接入会产生吞吐量 / 延迟成本,即异构成本。导出联合比例公平速率分配方案,提出在 LTE/WiFi 讨论中有实用价值。在干扰技术检测方面给出实验结果,并考虑了不完全的载