An Experimental Analysis of Attack Classification Using Machine Learning in IoT Networks
Edinburgh Napier University(爱丁堡龙比亚大学);Namal Institute(纳马尔学院);Yangzhou University(扬州大学);King Fahad Naval Academy(法赫德国王海军学院);Beijing Institute of Technology(北京理工大学)
近年来,物联网(IoT)设备的数量以及这些设备生成的数据数量大幅增加。物联网网络中的参与设备由于其资源受限的性质而可能存在问题,并且在这些设备上集成安全性往往被忽视。这导致攻击者有更大的动机瞄准物联网设备。随着网络上可能的攻击数量的增加,传统的入侵检测系统(IDS)越来越难以有效地应对这些攻击。在本文中,我们突出了几个机器学习(ML)方法,如k-近邻(KNN),支持向量机(SVM),决策树(DT),朴素贝叶斯(NB),随机森林(RF),人工神经网络(ANN),和逻辑回归(LR),可用于入侵检测系统。在这项工作中,ML算法在Bot-IoT数据集上进行了二进制和多类分类的比较。基于准确度、精确度、召回率、F1得分和日志丢失等几个参数,我们对上述ML算法进行了实验比较。在HTTP分布式拒绝服务(DDoS)攻击的情况下,RF的准确率为99%。此外,基于其他模拟结果的精度,召回率,F1得分和日志丢失度量显示,RF优于所有类型的攻击在二进制分类。然而,在多类分类中,KNN优于其他ML算法,准确率为99%,比RF高4%。
2021-01-10 cs.CR cs.LG
Cost-aware Feature Selection for IoT Device Classification
Georgia Institute of Technology(佐治亚理工学院);Trustwave (Singapore)(Trustwave(新加坡));TUMCREATE (Singapore)(TUMCREATE(新加坡));Heriot-Watt University(赫瑞-瓦特大学);National University of Singapore(新加坡国立大学)
从多个角度来看,将物联网设备分类为不同类型至关重要,包括安全和隐私方面。最近的工作探索了用于对物联网设备进行指纹识别(或分类)的机器学习技术,并取得了可喜的成果。然而,现有的工作已经假设用于构建机器学习模型的特征是容易获得的或者可以容易地从网络流量中提取;换句话说,它们没有考虑与特征提取相关联的成本。在这项工作中,我们采取了一个更现实的方法,并认为特征提取有成本,成本是不同的功能。我们还从当前将误分类损失视为二进制值的做法向前迈出了一步,并根据误分类性能对不同的损失进行论证。因此,更重要的是,我们引入了物联网设备分类风险的概念。我们定义并制定了成本感知物联网设备分类的问题。这是一个组合优化问题,我们开发了一种新的算法来解决它在一个快速和有效的方式使用交叉熵(CE)为基础的随机优化技术。使用真实设备的流量,我们证明了基于CE的算法在选择具有最小误分类风险的特征的同时保持特征提取的成本在指定限制内的能力。
2021-04-21 cs.CR cs.LG cs.NI
DeepFeatIoT: Unifying Deep Learned, Randomized, and LLM Features for Enhanced IoT Time Series Sensor Data Classification in Smart Industries
School of Information Technology, Deakin University(信息科技学院,德肯大学)
针对物联网时间序列传感器数据因元数据丢失、数据源异质等问题难以解读的挑战,提出DeepFeatIoT模型,融合深度学习特征、随机卷积核特征及LLM特征,在多真实数据集上优于基准模型,提升分类效果并支持智能系统发展。
2025-08-13 cs.AI cs.LG
Towards Adversarial Realism and Robust Learning for IoT Intrusion Detection and Classification
Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD), School of Engineering, Polytechnic of Porto (ISEP/IPP)(先进创新与发展智能工程与计算研究组(GECAD),波尔图理工学院工程学院(ISEP/IPP))
物联网(IoT)面临着巨大的安全挑战。机器学习模型可用于应对越来越多的针对物联网系统的网络攻击变体,但对抗攻击构成的日益严重的威胁再次表明了对可靠防御策略的需求。这项工作描述了一个现实的对抗性网络攻击的例子所需的约束类型,并提出了一种方法,一个值得信赖的对抗性鲁棒性分析与现实的对抗性规避攻击向量。所提出的方法被用来评估三个监督算法,随机森林(RF),极端梯度提升(XGB),和轻梯度提升机(LGBM),和一个无监督算法,隔离森林(IFOR)。使用自适应扰动模式方法(A2PM)生成受约束的对抗性示例,并对使用常规和对抗性训练创建的模型进行规避攻击。尽管RF在二进制分类中受影响最小,但XGB在多类分类中始终达到最高的准确性。所获得的结果证明了基于树的算法和集成对对抗性规避攻击的固有敏感性,并证明了对抗性训练的好处和设计方法的安全性,以实现更强大的物联网网络入侵检测和网络攻击分类。
2023-03-03 cs.AI cs.CR cs.LG
Effective classification of ECG signals using enhanced convolutional neural network in IOT
提出了一种基于物联网技术的心电监护方法。提出了一种基于动态源路由(DSR)和能量和链路质量路由(REL)的物联网医疗平台路由系统。此外,人工神经网络(ANN),支持向量机(SVM),卷积神经网络(CNN)为基础的心电图信号分类的方法进行了测试。Deep-ECG将采用深度CNN来提取重要特征,然后使用简单快速的距离函数进行比较,以便有效地对心脏问题进行分类。这项工作已经提出了算法,从移动手表用户采集的ECG数据的分类,以识别异常数据。麻省理工学院(MIT)和贝斯以色列医院(MIT/BIH)心律失常数据库已被用于实验验证所提出的方法。实验结果表明,该策略在分类精度方面优于其他策略。
2022-02-08 cs.AI cs.LG eess.SP
Image Classification on IoT Edge Devices: Profiling and Modeling
Santa Clara University(圣克拉拉大学)
随着功能强大、低成本的物联网系统的出现,在更接近数据来源的地方处理数据,即边缘计算,已成为一种越来越可行的选择。除了降低网络基础设施的成本外,边缘计算还减少了边缘云延迟,这对于关键任务应用程序至关重要。在本文中,我们展示了使用物联网设备进行图像分类的可行性并研究了其性能。具体而言,我们探索可能影响能耗的图像分类算法的各种因素之间的关系,如数据集大小,图像分辨率,算法类型,算法阶段和设备硬件。我们的实验表明,三个预测变量,即模型复杂度,图像分辨率和数据集大小,相对于能源消耗之间有很强的正线性关系。此外,为了提供预测执行图像分类的边缘设备的能量消耗的手段,我们使用从我们的实验生成的数据来研究三种机器学习算法的使用。性能以及使用线性回归,高斯过程,和随机森林的权衡进行了讨论和验证。我们的研究结果表明,随机森林模型优于前两种算法,在两个不同的验证数据集的R平方值为0.95和0.79。
2019-08-13 cs.CV cs.LG cs.PF
Federated Learning with Gramian Angular Fields for Privacy-Preserving ECG Classification on Heterogeneous IoT Devices
Laboratoire LITAN(LITAN实验室);École supérieure en Sciences et Technologies de l’Informatique et du Numérique(信息与数字技术高级学院);College of Engineering and IT(工程与信息技术学院);University of Dubai(迪拜大学);Department of Computer Science(计算机科学系);University of Sharjah(沙迦大学)
本研究针对物联网医疗环境中的隐私保护心电图分类问题,提出将一维ECG信号转换为GAF图像并结合联邦学习的框架,首次实验验证其在异构设备上的性能与通信效率,为智能健康系统提供可扩展安全的边缘部署方案。
2025-11-11 cs.AI cs.CE cs.LG
Unsupervised Anomaly Detection for Smart IoT Devices: Performance and Resource Comparison
Department of Electrical and Electronic Engineering(电子与电气工程系);Bangladesh University of Engineering and Technology(孟加拉工程与技术大学)
本文比较了孤立森林与单类支持向量机在物联网设备中的异常检测性能,发现孤立森林在准确性、精确率、召回率和F1分数上均优于后者,且计算资源消耗更低,更适合资源受限的物联网边缘设备。
2025-11-26 cs.CR cs.LG
SNR and Resource Adaptive Deep JSCC for Distributed IoT Image Classification
Department of Electrical and Electronics Engineering, Koç University, Istanbul, Turkey(电子与电气工程系,科大学院,伊斯坦布尔,土耳其)
提出SNR与计算自适应的分布式CNN框架,利用学习辅助智能遗传算法优化网络配置,在低SNR和有限计算资源下提升无线图像分类准确率10%。
2025-09-26 cs.LG eess.IV
IoT Behavioral Monitoring via Network Traffic Analysis
The University of New South Wales(新南威尔士大学);School of Electrical Engineering and Telecommunications(电气与电信工程学院)
灵巧家庭、企业和城市越来越多地配备了大量的物联网(IoT),从智能灯到安全摄像头。虽然物联网网络有可能造福我们的生活,但它们带来了传统IT网络所没有的隐私和安全挑战。由于缺乏可见性,这种智能环境的运营商通常不知道他们的物联网资产,更不用说每个物联网设备是否正常运行,免受网络攻击。这篇论文是我们努力开发技术来分析物联网的网络行为模式,自动化物联网分类,推断其操作上下文,并检测指示网络攻击的异常行为的结果。我们通过调查物联网生态系统开始这篇论文,同时回顾当前的漏洞评估,入侵检测和行为监控方法。对于我们的第一个贡献,我们收集流量跟踪,并通过流量模式的属性来描述物联网设备的网络行为。我们开发了一个强大的基于机器学习的推理引擎,使用这些属性进行训练,并展示了28个物联网设备的实时分类,准确率超过99%。我们的第二个贡献是通过降低属性提取的成本,同时识别物联网设备状态来增强分类。原型实现和评估展示了我们的监督机器学习方法检测五个物联网设备的行为变化的能力。我们的第三个也是最后一个贡献是开发了一个模块化的无监督推理引擎,该引擎可以动态地适应新物联网设备的添加和/或对现有设备的更新,而不需要对模型进行系统范围的重新训练。我们通过实验证明,我们的模型可以自动检测10个物联网设备中的攻击和固件更改,准确率超过94%。
2020-01-28 cs.CR cs.LG cs.NI
Constrained Bayesian Optimization for Hierarchical Federated Learning in IoT Networks for Plant Disease Classification
University of Zagreb(萨格勒布大学);University of Thessaly(塞萨利大学);International Hellenic University(国际希腊大学);University of Glasgow(格拉斯哥大学);Trinity College Dublin(都柏林圣三一学院);Italian National Research Council(意大利国家研究委员会)
本文提出一种约束贝叶斯优化框架,用于在资源受限的物联网环境中高效配置分层联邦学习,以平衡能耗、执行时间和预测性能,并在植物病害分类任务上仅探索11.11%搜索空间即达到接近最优性能。
2026-09-09 cs.DC cs.LG
IoT Malware Network Traffic Classification using Visual Representation and Deep Learning
随着物联网设备和技术投入使用的增加,恶意软件已经成为一种具有挑战性的威胁,感染率和复杂程度都在增加。如果没有强大的安全机制,大量的敏感数据就会暴露在漏洞中,因此很容易被网络犯罪分子滥用来执行一些非法活动。因此,需要能够执行实时流量分析和恶意流量缓解的高级网络安全机制。为了应对这一挑战,我们提出了一种新的物联网恶意软件流量分析方法,该方法使用深度学习和视觉表示来更快地检测和分类新的恶意软件(零日恶意软件)。在所提出的方法中,恶意网络流量的检测工作在包级别,由于使用了深度学习技术,显著减少了检测时间,并取得了令人满意的结果。为了评估我们提出的方法的性能,构建了一个数据集,它由从不同的网络流量源收集的正常和恶意软件流量的1000个pcap文件组成。残差神经网络(ResNet50)的实验结果是非常有前途的,提供了94.50%的准确率检测恶意软件流量。
2020-10-04 cs.CR cs.LG
Rate-Distortion Classification for Self-Tuning IoT Networks
许多未来的无线传感器网络和物联网预计将遵循软件定义的范例,其中协议参数和行为将根据信号统计动态调整。当某些事件发生时,新的协议将作为软件注入。例如,新的数据压缩器可以在被监测的信号类型或其统计属性改变时在运行中(重新)编程。我们考虑一个有损压缩场景,其中应用程序容忍收集信号的一些失真,以换取提高的能源效率。为了获得这种模式的全部好处,我们讨论了一种自动传感器分析方法,其中信号类,特别是相应的率失真曲线,使用机器学习工具(即,支持向量机和神经网络)自动评估。我们表明,这条曲线可以可靠地估计在飞行中通过计算的一个小数目(从10到20)的统计特征的时间窗口上的几百个样本。
2017-06-27 cs.LG cs.NI
Benchmarking Machine Learning Models for IoT Malware Detection under Data Scarcity and Drift
Department of Computer Science, The College of Wooster, Wooster, USA(沃斯特学院计算机科学系);Department of Computer Science and Engineering, University of Nevada-Reno, Reno, USA(内华达大学雷诺分校计算机科学与工程系)
本研究评估了四种机器学习模型在数据稀缺和漂移情况下对物联网恶意软件检测的效果,发现基于树的模型在有限数据下表现优异,但随时间推移性能下降。
2026-01-26 cs.LG cs.NI
ZEST: Attention-based Zero-Shot Learning for Unseen IoT Device Classification
National University of Singapore (NUS)(新加坡国立大学);Acronis Research(Acronis 研究院)
本文提出基于自注意力的零样本学习框架ZEST,通过SANE特征提取、伪数据生成和监督分类,解决训练阶段未见物联网设备的分类问题,并在真实流量上验证其优于基线方法。
2024-01-12 cs.CR cs.LG cs.NI
Causal Machine Learning in IoT-based Engineering Problems: A Tool Comparison in the Case of Household Energy Consumption
University of Patras(帕特雷大学);Connect Line S.A.(Connect Line 股份有限公司)
本文针对现有机器学习仅依赖概率依赖而缺乏推理逻辑的问题,比较了两种因果机器学习工具及其数学基础,并基于IDEAL家庭能源数据集的18个查询验证了因果假设的有效性,结果表明该方法可推广至其他领域。
2025-06-30 cs.LG
Crop Disease Classification using Support Vector Machines with Green Chromatic Coordinate (GCC) and Attention based feature extraction for IoT based Smart Agricultural Applications
Birla Institute of Technology, Mesra(贝拉理工大学梅斯拉分校);Maharaja Surajmal Institute of Technology(马哈拉贾·苏拉杰马尔理工学院);Birla Institute of Technology (BIT), Mesra(贝拉理工大学(BIT)梅斯拉分校)
本研究面向IoT智慧农业场景,提出结合GCC特征、ViT注意力特征提取与SVM的作物病害分类方法,原模型准确率达99.69%,量化后准确率97.41%且体积缩至1/4,可助力农户快速精准识别病害。
2023-11-06 cs.LG eess.IV
Quantum-Enhanced Transformers for Robust Acoustic Scene Classification in IoT Environments
School of Engineering, Deakin University(德金大学工程学院);School of Engineering, Royal Melbourne Institute of Technology University(皇家墨尔本理工学院工程学院)
针对物联网场景下声学分类噪声干扰大、标注数据少的问题,提出融合量子概念的Q-ASC分类器与QVAE数据增强方法,在TUT 2016基准上准确率最高超SOTA 5%,推动恶劣环境下智能声学感知落地。
2025-01-16 cs.AI cs.LG cs.PF
Deep Learning-based ECG Classification on Raspberry PI using a Tensorflow Lite Model based on PTB-XL Dataset
University of Manitoba(曼尼托巴大学)
自COVID-19疫情以来,由于需求增加,医疗保健领域的物联网设备数量预计将大幅增加。深度学习和物联网设备正在被用于监测身体生命体征,并在临床和非临床环境中自动检测异常。目前的大多数技术都需要将原始数据传输到远程服务器,这对于资源受限的物联网设备和嵌入式系统来说效率低下。此外,由于缺乏广泛的开放公共数据库,开发用于ECG分类的机器学习模型具有挑战性。在某种程度上,为了克服这一挑战,使用了PTB-XL数据集。在这项工作中,我们开发了将部署在Raspberry Pi上的机器学习模型。我们使用两个分类类对我们的TensorFlow模型进行了评估。我们还对相应的TensorFlow Lite FlatBuffers进行了评估,以证明其最低的运行时要求,同时保持可接受的准确性。
2022-08-25 cs.LG eess.SP
Image Transformation for IoT Time-Series Data: A Review
Konya Food and Agriculture University(科尼亚食品与农业大学);Gazi University(加齐大学);Hacettepe University(哈杰泰佩大学)
本文综述了将物联网时间序列数据转换为图像以提升深度学习性能的研究,按编码技术、数据类型和应用领域分类,并讨论挑战与未来方向。
2023-11-21 cs.AI cs.LG cs.NI
Attention-based Adversarial Robust Distillation in Radio Signal Classifications for Low-Power IoT Devices
Wolfson School of Mechanical, Electrical and Manufacturing Engineering, Loughborough University(洛辛姆机械、电气与制造工程学院,劳德斯大学);School of Engineering, University of Warwick(工程学院,沃里克大学);School of Electronic Engineering, Xidian University(电子工程学院,西安电子科技大学);Department of Electrical Engineering, King Saud University(电气工程系,沙特国王大学);Department of Informatics, Bioengineering, Robotics, and Systems Engineering, University of Genova(信息学、生物工程、机器人学和系统工程系,热那亚大学)
针对基于Transformer的无线电信号分类易受对抗样本攻击、且紧凑型Transformer难以获得鲁棒训练优势的问题,提出一种将大模型对抗注意力图迁移到紧凑型Transformer的鲁棒蒸馏方法,在白盒攻击下性能优于现有技术,还可抵御对抗样本的跨架构迁移。
2025-06-13 cs.AI cs.LG
SCAI: A Spectral data Classification framework with Adaptive Inference for the IoT platform
Harbin Institute of Technology(哈尔滨工业大学)
借助深度学习和物联网技术实现海量光谱数据的准确、高效、实时识别是当前的研究热点。深度神经网络在光谱分析中发挥了关键作用。然而,更深层模型的推断是以静态方式执行的,并且不能根据设备进行调整。并非所有样本都需要分配所有计算来达到置信预测,这阻碍了整体性能的最大化。为了解决上述问题,我们提出了一个光谱数据分类框架与自适应推理。具体来说,为了为不同的样本分配不同的计算,同时更好地利用不同设备之间的协作,我们利用Early-exit架构,将中间分类器放置在架构的不同深度,当预测置信度达到预设阈值时,模型输出结果。我们提出了一种自升华学习的训练模式,最深的分类器对浅层分类器进行软监督,以最大限度地提高它们的性能和训练速度。同时,为了减轻早期退出范式中中间分类器的位置和数量设置对性能的脆弱性,我们提出了一种位置自适应残差网络。它可以在不同的曲线位置调整每个块中的层数,因此它可以专注于曲线的重要位置(例如:拉曼峰),并根据任务性能和计算资源准确分配适当的计算预算。据我们所知,本文是首次尝试在物联网平台下通过自适应推理对频谱检测进行优化。我们进行了大量的实验,实验结果表明,我们提出的方法可以达到更高的性能与更少的计算预算比现有的方法。
2022-06-24 cs.LG eess.SP
A Heuristically Self-Organised Linguistic Attribute Deep Learning in Edge Computing For IoT Intelligence
Cranfield University(克兰菲尔德大学);Smart Perception Lab(智能感知实验室)
随着物联网(IoT)的发展,物联网智能成为新兴技术。“非专业性的诅咒”是边缘设备中数据融合的障碍,是物联网智能成功的关键。嵌入有语言决策树(LDT)的语言属性层次(LAH)可以表示新的属性深度学习。与传统的深度学习相比,LAH可以通过LAH中的LDT产生的规则提供透明的信息传播来克服缺失解释的缺点。与传统的深度学习类似,优化LAH的计算复杂度阻碍了LAH的应用。在本文中,我们提出了一种启发式的方法来构建一个LAH,嵌入LDTs的决策或分类,利用属性之间的距离相关性和属性和目标变量之间。该方法首先将属性集划分为若干个属性簇,然后对这些属性簇进行语义组织,形成语言属性层次结构。所提出的方法进行了验证,一些基准决策或分类问题,从UCI机器学习知识库。实验结果表明,该自组织算法能够有效地构造出一个语言属性层次结构。这种嵌入LDT的自组织语言属性层次结构不仅可以有效地解决单个LDT中的“维数灾难”,用于具有海量属性的数据融合,而且与单个LDT相比,可以在决策或分类方面实现更好或相当的性能。自组织算法比Wrapper中的遗传算法更有效。这使得将自组织算法嵌入边缘设备以实现物联网智能变得可行。
2020-06-08 cs.AI cs.LG
Explainable Threat Attribution for IoT Networks Using Conditional SHAP and Flow Behavior Modelling
University of East London(伦敦东安大学);ECE Ecole D’Ingenieur(工程师学院)
本文利用条件SHAP和流量行为建模,对物联网网络中的多类威胁进行可解释归因,通过梯度提升模型和SHAP提供全局和类特定解释,提升入侵检测系统的准确性和可解释性。
2026-03-24 cs.CR cs.LG
Software-Defined Edge Computing: A New Architecture Paradigm to Support IoT Data Analysis
Hunan University(湖南大学);Virginia Tech(弗吉尼亚理工大学);Queen Mary University of London(伦敦玛丽女王大学)
物联网(IoT)应用的快速部署导致需要处理大量数据。这些物联网应用程序对延迟和带宽有特定的通信要求,并在其生成的数据上呈现新的功能,例如时间依赖性。因此,希望通过探索其通信和计算的固有性质来重塑当前的物联网架构,以支持智能物联网数据处理和分析。本文介绍了物联网数据的特点、物联网网络架构的发展趋势、物联网数据分析中的一些问题及其解决方案。具体来说,我们认为软件定义的边缘计算是一种很有前途的架构,可以支持物联网数据分析的独特需求。我们进一步提出了一个实验数据异常检测在这种架构,并比较两种架构的心电图诊断。结果表明,该方法是有效可行的.
2021-04-26 cs.LG cs.NI
IoT Security: Botnet detection in IoT using Machine learning
Macquarie University(麦考瑞大学)
物联网(IoT)应用和服务的接受已经引起了人们对IoT的极大兴趣。组织已经开始创建各种基于物联网的小工具,从智能手表等小型个人设备到智能电网、智能采矿、智能制造和无人驾驶汽车的整个网络。大量的和无处不在的存在吸引了潜在的黑客进行网络攻击和数据窃取。安全性被认为是物联网面临的突出挑战之一。本研究工作的核心内容是提出一种基于机器学习算法的物联网分布式拒绝服务(DDoS)攻击检测和缓解模型。我们提出的模型解决了有关机器人威胁的安全问题。不同的机器学习算法,如K-最近邻(KNN),朴素贝叶斯模型和多层感知人工神经网络(MLP ANN)被用来开发一个模型,其中数据由BoT-IoT数据集训练。根据准确率百分比和受试者工作特征曲线下面积(ROC AUC)评分,通过参考点选择最佳算法。将特征工程和合成少数过采样技术(SMOTE)与机器学习算法(MLAs)相结合。在类不平衡数据集和类平衡数据集上比较了三种算法的性能。
2021-04-06 cs.LG
Exploring the Use of Data-Driven Approaches for Anomaly Detection in the Internet of Things (IoT) Environment
Toronto Metropolitan University(多伦多都会大学)
物联网(IoT)是连接物理计算设备、传感器、软件和其他技术的系统。数据可以通过网络与其他设备进行收集、传输和交换,而无需人工交互。物联网发展面临的一个挑战是网络中存在异常数据。因此,物联网环境中异常检测的研究近年来变得非常流行和必要。本调查提供了一个概述,以了解不同的异常检测算法的当前进展,以及它们如何在物联网的背景下应用。在本次调查中,我们将物联网中广泛使用的异常检测机器学习和深度学习技术分为三种类型:基于聚类、基于分类和基于深度学习。对于每一类,我们介绍了一些国家的最先进的异常检测方法,并评估每种技术的优点和局限性。
2022-12-31 cs.LG
Efficient IoT Inference via Context-Awareness
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文提出 CACTUS 情境感知分类范式,利用微分类器与动态切换机制适应部署情境,在多种数据集和 IoT 平台上提升准确率、延迟与计算效率。
2023-12-03 cs.AI cs.CV cs.LG
A Survey of Machine Learning Algorithms for Detecting Malware in IoT Firmware
PeopleTec, Inc.(PeopleTec 公司)
这项工作探索了在物联网固件数据集上使用机器学习技术来检测感染边缘设备或随后破坏整个网络的恶意尝试。固件更新在物联网设备中并不常见;因此,它们充满了漏洞。针对此类设备的攻击可能会被忽视,用户可能会成为安全方面的弱点。恶意软件可以导致DDoS攻击,甚至可以监视敏感区域,如人们的家园。为了帮助减轻这种威胁,本文采用了许多机器学习算法来对物联网固件进行分类,并报告了性能最佳的模型。在一般比较中,前三个算法是梯度提升、逻辑回归和随机森林分类器。深度学习方法,包括卷积和全连接神经网络与实验和证明成功的架构也进行了探索。
2021-11-03 cs.LG
Is this IoT Device Likely to be Secure? Risk Score Prediction for IoT Devices Using Gradient Boosting Machines
The University of New South Wales (UNSW)(新南威尔士大学);RMIT University(皇家墨尔本理工大学)
安全风险评估和预测对于部署物联网(IoT)设备的组织至关重要。企业的最低要求是验证物联网设备在国家漏洞数据库(NVD)中报告的漏洞的安全风险。本文提出了一种基于公开信息的物联网设备风险预测方法。我们的解决方案为各种规模的企业提供了一个简单且经济高效的解决方案,以预测部署新物联网设备的安全风险。在对过去八年的NVD记录进行广泛分析后,我们为易受攻击的物联网设备创建了一个独特、系统和平衡的数据集,包括关键技术特征,以及公共资源提供的功能和描述性特征。然后,我们使用机器学习分类模型,如梯度提升决策树(GBDT)在这个数据集上,并实现71%的预测准确率分类设备漏洞评分的严重性。
2021-11-23 cs.CR cs.LG
Investigation and rectification of NIDS datasets and standardized feature set derivation for network attack detection with graph neural networks
Joint Stock "Research and production company "Kryptonite"(“氪石”科研生产联合股份公司)
网络入侵与检测系统(NIDS)是现代网络中恶意流量和网络攻击检测的关键。基于人工智能的NIDS是一种强大的工具,它可以学习复杂的数据相关性,以实现准确的攻击预测。图神经网络(GNN)提供了一个机会,分析网络拓扑结构以及流的功能,这使得他们特别适合NIDS应用。然而,这种工具的成功应用需要大量精心收集和标记的数据进行训练和测试。在本文中,我们检查了不同版本的ToN-IoT数据集,并指出了某些版本中的不一致之处。我们过滤了完整版本的ToN-IoT,并提出了一个标记为ToN-IoT-R的新版本。为了确保泛化,我们提出了一个新的标准化和紧凑的流功能,这是完全来自NetFlowv 5兼容的数据。我们将数字数据和标志分成不同的类别,并提出了一种新的数字特征的不可知规范化方法。这使我们能够保留流标志的含义,并且我们建议基于例如网络协议进行有针对性的分析。对于流分类,我们使用E-GraphSage算法与修改后的节点初始化技术,允许我们添加节点度的节点功能。我们在ToN-IoT-R上实现了高分类精度,并将其与之前发布的ToN-IoT,NF-ToN-IoT和NF-ToN-IoT-v2的结果进行了比较。我们强调了仔细的数据汇集和标签和适当的数据预处理选择的重要性,并得出结论,建议的一组功能是更适用于真正的NIDS由于要求不高的流量监测设备,同时保持高流量分类精度。
2022-12-29 cs.CR cs.DM cs.LG
DeepHeteroIoT: Deep Local and Global Learning over Heterogeneous IoT Sensor Data
Australian Catholic University(澳大利亚天主教大学);Swinburne University of Technology(斯威本科技大学);Atlassian(Atlassian公司)
针对物联网传感器数据的异质性导致传统分类算法性能不佳的问题,提出融合卷积神经网络和双向门控循环单元的DeepHeteroIoT模型,端到端学习局部与全局特征,在分类任务上准确率和F1值较现有方法均有显著提升。
2024-03-29 cs.LG eess.SP
Malware Detection in IOT Systems Using Machine Learning Techniques
Newcastle University(纽卡斯尔大学);Kent State University(肯特州立大学)
本研究提出一种CNN-LSTM混合模型用于物联网恶意软件检测,通过K折交叉验证达到95.5%的准确率,优于现有方法,为增强物联网安全提供了有效方案。
2024-02-04 cs.CR cs.LG cs.NI
RepTC: Representation-Aware Optimization for Efficient Traffic Classification on Edge IoT Devices
University of Genoa(热那亚大学)
RepTC提出一种表示感知的硬件约束优化策略,联合优化模型与输入配置,在资源受限的边缘物联网设备上实现高效且高精度的流量分类。
2026-10-06 cs.LG cs.NI
Expectations Versus Reality: Evaluating Intrusion Detection Systems in Practice
University of Western Australia(西澳大学);Sungkyunkwan University(成均馆大学)
本文通过实证比较多种入侵检测系统,揭示其表现受攻击类型、复杂度和网络环境影响,指出深度神经网络虽平均 F1 最高但并非始终最优,并讨论了实际使用中的困难。
2024-03-28 cs.CR cs.LG
Constrained deep neural network architecture search for IoT devices accounting hardware calibration
ETH Zürich(苏黎世联邦理工学院);IBM Research - Zürich(苏黎世IBM研究院);Università di Bologna(博洛尼亚大学)
深度神经网络在具有挑战性的图像分类任务中取得了出色的成绩。然而,网络拓扑结构的设计是一项复杂的任务,研究界不断努力发现高精度的拓扑结构,无论是手动或采用昂贵的架构搜索。在这项工作中,我们提出了一个独特的窄空间架构搜索,专注于提供低成本和快速执行的网络,尊重物联网(IoT)近传感器计算平台典型的严格内存和时间要求。我们的方法提供了在35美元的设备上运行的分类延迟低于10ms的解决方案,该设备具有1GB RAM和5.6GFLOPS峰值性能。浮点模型的窄空间搜索将已建立的物联网模型在CIFAR10上的准确度从70.64%提高到74.87%,并且遵守相同的内存限制。我们进一步提高准确性,包括16位半类型,我们获得了最好的准确性83.45%,通过扩展搜索模型优化的IEEE 754减少类型。据我们所知,我们是第一个在超过3000个训练模型上实证证明精度降低会大幅推动帕累托最优前沿的人。在给定的内存约束下,精度提高了超过7%的点为一半和超过1%的点进一步运行的最佳模型的个人格式。
2019-09-24 cs.DC cs.LG
Time-Distributed Feature Learning in Network Traffic Classification for Internet of Things
Ryerson University(瑞尔森大学)
物联网(IoT)设备的过多导致爆炸性的网络流量。网络流量分类(NTC)是探索网络流行为的重要工具,互联网服务提供商(ISP)需要NTC来管理物联网网络的性能。我们提出了一种新的网络数据表示,处理交通数据作为一系列的图像。因此,网络数据被实现为视频流以采用时间分布(TD)特征学习。使用卷积神经网络(CNN)和长短期记忆(LSTM)学习网络统计数据中的时间内信息,并且通过TD多层感知器(MLP)学习流之间的伪时间特征。我们进行实验,使用一个大的数据集与更多的类。实验结果表明,TD特征学习使网络分类性能提高了10%。
2021-09-29 cs.LG cs.NI
Analyzing Adversarial Attacks Against Deep Learning for Intrusion Detection in IoT Networks
Carleton University(卡尔顿大学)
对抗攻击在计算机视觉领域已经得到了广泛的研究,但其对网络安全应用的影响仍然是一个开放的研究领域。随着物联网、5G和人工智能不断融合以实现第四次工业革命(工业4.0)的承诺,物联网网络上的安全事件和事件也在增加。深度学习技术正被应用于检测和缓解针对物联网网络的许多此类安全威胁。前馈神经网络(FNN)已被广泛用于对物联网网络中的入侵攻击进行分类。在本文中,我们考虑了FNN的一种变体,称为自规范化神经网络(SNN),并将其性能与FNN进行比较,用于对物联网网络中的入侵攻击进行分类。我们的分析是使用新南威尔士大学堪培拉网络中心网络范围实验室的BoT-IoT数据集进行的。在我们的实验结果中,FNN在物联网网络中的入侵检测方面优于SNN,这是基于多个性能指标,如准确度,精确度和召回率以及多分类指标,如Cohen的Kappa得分。然而,当测试对抗性鲁棒性时,SNN对来自物联网数据集的对抗性样本表现出更好的弹性,在物联网网络中寻求更安全和更安全的深度学习方面呈现出充满希望的未来。
2019-05-13 cs.CR cs.LG cs.NI
An optimized hybrid solution for IoT based lifestyle disease classification using stress data
Indian Institute of Information Technology, Allahabad(阿拉哈巴德印度信息技术学院)
压力、焦虑和紧张都是日常生活中的高危健康状态。以前,压力水平是通过与人们交谈并了解他们最近或过去的经历来确定的。通常,压力是由很久以前发生的事件引起的,但有时它是由未知因素引发的。这是一个具有挑战性和复杂的任务,但最近的研究进展提供了许多机会,自动化它。大多数这些技术的基本特征是皮肤电活动(EDA)和心率值(HRV)。我们利用加速度计来测量身体运动,以解决这一挑战。所提出的新方法采用测量受试者的心电图(ECG)、皮肤电值(GSV)、HRV值和身体运动的测试,以便提供用于使用网络物理系统检测现代压力生活方式疾病的低成本且节省时间的解决方案。这项研究为生活方式疾病分类提供了一种新的混合模型,可以减少执行时间,同时选择最佳的特征集合并提高分类准确性。所开发的方法是能够通过使用WESAD(可穿戴压力和影响数据集)数据集来处理类不平衡问题。新模型使用网格搜索(GS)方法来选择一组优化的超参数,并使用基于相关系数的递归特征消除(CoC-RFE)方法进行最佳特征选择和梯度提升作为估计器来分类数据集,从而实现高准确性,并有助于提供智能,准确和高质量的医疗保健系统。为了证明所提出的方法的有效性和实用性,其性能相比,其他成熟的机器学习模型。
2022-04-04 cs.DC cs.LG eess.SP
Maintaining IoT Device Identification under Concept Drift via Budget-Aware Traffic Labeling
School of Electrical Engineering and Telecommunications, University of New South Wales(新南威尔士大学电气工程与电信学院);School of Computer Science and Engineering, University of New South Wales(新南威尔士大学计算机科学与工程学院);KDDI Research(KDDI研究所)
该研究针对IoT设备识别中概念漂移导致的分类性能下降问题,提出结合均匀流量采样与漂移检测确定标注量的策略,经380万条IPFIX流记录验证,可有效维持分类性能。
2026-08-25 cs.CR cs.LG cs.NI
Dynamic-Deep: Tune ECG Task Performance and Optimize Compression in IoT Architectures
Reichman University(赖希曼大学)
监控医疗数据,例如,心电图(ECG)信号是物联网(IoT)设备的常见应用。压缩方法通常应用于在将其发送到云之前生成的大量传感器数据,以降低存储和交付成本。有损压缩提供高压缩增益(CG),但可能由于信息丢失而降低ECG应用(下游任务)的性能。以前的心电图监测工作集中在优化信号重建或任务的性能。相反,我们提倡一种自适应有损压缩解决方案,该解决方案能够在下游任务上配置所需的性能水平,同时保持优化的CG,从而降低云成本。我们提出了Dynamic-Deep,这是一种面向物联网云架构的任务感知压缩。我们的压缩机经过培训,以优化CG,同时保持从广泛范围内选择的下游任务的性能要求。在部署中,IoT边缘设备调整压缩并为每个数据段发送优化的表示,从而考虑下游任务的期望性能,而不依赖于来自云的反馈。我们使用两种流行的ECG应用程序对常见ECG数据集进行了广泛的评估,其中包括心率(HR)心律失常分类。我们证明了Dynamic-Deep可以配置为在广泛的要求中提高HR分类F1分数。其中一个经过调整,将F1分数提高了3分,与之前最先进的(基于自动编码器的)压缩器相比,CG提高了83%。通过分析Google Cloud Platform上的Dynamic-Deep,我们发现与无压缩解决方案相比,云成本降低了97%。
2022-04-02 cs.LG eess.SP
Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach
Western University(韦仕敦大学)
对互联网的依赖增加以及相应的连接需求激增导致物联网(IoT)设备的显着增长。物联网设备的持续部署反过来又导致网络攻击的增加,因为潜在的攻击面越来越多,最近的报告显示,物联网恶意软件攻击从2017年的1030万次增加到2018年的3270万次,增加了215.7%。这说明物联网设备和网络的脆弱性和敏感性增加。因此,需要在这样的环境中适当有效且高效的攻击检测和缓解技术。机器学习(ML)已经成为一种潜在的解决方案,因为物联网设备和网络生成了大量的数据。因此,它们有很大的潜力被用于物联网环境的入侵检测。为此,本文提出了一种优化的基于ML的框架,该框架由贝叶斯优化高斯过程(BO-GP)算法和决策树(DT)分类模型的组合组成,以有效和高效的方式检测对物联网设备的攻击。使用Bot-IoT-2018数据集评估了拟议框架的性能。实验结果表明,该优化框架具有较高的检测准确率、查准率、查全率和F-score,突出了其在物联网环境下检测僵尸网络攻击的有效性和鲁棒性。
2020-12-16 cs.CR cs.LG cs.NI
Harris Hawks Feature Selection in Distributed Machine Learning for Secure IoT Environments
Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Technology Innovation Institute(技术创新研究所)
物联网(IoT)的发展极大地扩展了我们的日常生活,在智能城市,医疗保健和建筑方面发挥着关键作用。物联网等新兴技术寻求提高认知城市的服务质量。虽然物联网应用在智能建筑应用中很有帮助,但它们存在真正的风险,因为这些建筑物中使用异构网络的大量互连设备增加了潜在的物联网攻击数量。物联网应用程序可以收集和传输敏感数据。因此,有必要开发新的方法来检测被黑客入侵的物联网设备。提出了一种基于Harris Hawks Optimization(HHO)和Random Weight Network(RWN)的特征选择(FS)模型,用于检测从受损物联网设备发起的物联网僵尸网络攻击。分布式机器学习(DML)旨在在边缘设备上本地训练模型,而无需将数据共享到中央服务器。因此,我们使用集中式和分布式ML模型来应用所提出的方法。这两种学习模型在两个物联网僵尸网络攻击的基准数据集下进行了评估,并使用不同的评估指标与其他知名的分类技术进行了比较。实验结果表明,在大多数情况下,准确率,精度,召回率和F-测量方面的改善。所提出的方法实现了平均F-测量高达99.9%。结果表明,DML模型在本地维护数据的同时,实现了与集中式ML相比具有竞争力的性能。
2023-02-20 cs.CR cs.LG eess.SP
Spectral Feature Extraction for Robust Network Intrusion Detection Using MFCCs
SPILab Corporation(SPILab公司)
提出结合可学习MFCC与ResNet-18的物联网网络异常检测方法,通过将原始信号映射到高维空间增强类可分性,在三个数据集上验证了其鲁棒性和可扩展性。
2025-07-14 cond-mat.dis-nn cs.AI cs.CR
IoT-LM: Large Multisensory Language Models for the Internet of Things
Carnegie Mellon University(卡内基梅隆大学)
为挖掘物联网数据价值,研究提出面向物联网的开源多感官大模型IoT-LM,依托超大规模统一数据集MultiIoT与新型多感官适配器层,在分类任务上取得显著提升并具备交互推理等新能力,相关资源已开源。
2024-07-13 cs.AI cs.CL cs.CV
A privacy-preserving data storage and service framework based on deep learning and blockchain for construction workers' wearable IoT sensors
Tsinghua University(清华大学)
对可穿戴物联网(IoT)传感器,特别是脑机接口(BCI)收集的大脑信号进行分类是发展最快的研究领域之一。然而,研究大多忽略了收集的个人神经生理数据的安全存储和隐私保护问题。因此,在这篇文章中,我们试图弥合这一差距,并提出了一个安全的隐私保护协议,实现BCI应用程序。我们首先将大脑信号转化为图像,并使用生成对抗网络来生成合成信号,以保护数据隐私。随后,我们将迁移学习的范例应用于信号分类。所提出的方法进行了评估的案例研究和结果表明,真实的脑电数据与人工生成的样本增强提供了优越的分类性能。此外,我们提出了一个基于区块链的方案,并在以太坊上开发了一个原型,旨在使存储,查询和共享个人神经生理数据和分析报告安全且具有隐私意识。描述了三个主要交易主体--建筑工人、BCI服务提供商和项目经理--的权利,并讨论了拟议系统的优点。我们相信本文提供了一个全面的解决方案,以保护私人数据免受网络攻击,为BCI应用程序开发人员提供公平的竞争环境,并最终提高行业的专业福祉。
2022-11-19 cs.CR cs.LG eess.SP