Quantum Encryption Resilience Score (QERS) for MQTT, HTTP, and HTTPS under Post-Quantum Cryptography in Computer, IoT, and IIoT Systems
Luleå University of Technology（吕勒奥理工大学）
本文提出QERS评分系统，用于评估MQTT、HTTP和HTTPS在后量子密码学环境下的性能与安全韧性，通过实验发现MQTT效率最高，HTTPS安全韧性最佳但资源消耗更高。
2026-01-19 cs.CR cs.NI
Multiclass Classification Procedure for Detecting Attacks on MQTT-IoT Protocol
针对物联网MQTT协议攻击，利用集成方法和深度学习（循环网络）构建分类模型以增强入侵检测系统，取得了满意效果。
2024-02-05 cs.CR cs.LG
Security Analysis of a Communication Protocol: MQTT
Polytechnic of Porto - School of Engineering（波尔图理工学院工程学院）
本文分析了物联网环境下MQTT协议的安全性，通过理论与实验结合的方法，发现缺乏强加密和认证存在关键风险，并提出改进策略。
2026-05-15 cs.CR
A Protocol-Aware P4 Pipeline for MQTT Security and Anomaly Mitigation in Edge IoT Systems
Nara Institute of Science and Technology (NAIST)（奈良先端科学技术大学院大学）；University of Information Technology（信息技术大学）；Vietnam National University（越南国立大学）
本文提出基于P4的边缘物联网系统MQTT安全与异常缓解方案，通过协议感知技术实现高效的数据平面过滤，提升边缘安全性能。
2026-01-12 cs.CR cs.NI
GothX: a generator of customizable, legitimate and malicious IoT network traffic
提出GothX流量生成器，通过支持拓扑配置、参数定制、场景自动执行、网络异构及自动标注，生成合法与恶意IoT流量，验证了其可扩展性并贡献了两个混合流量数据集。
2024-07-24 cs.CR
MQT-TZ: Hardening IoT Brokers Using ARM TrustZone
订阅模式是一种高效的通信方案，节点之间具有很强的解耦性，特别适合于大规模部署。它可以原生地适应非常动态的设置，并用于各种现实场景，包括金融，智能城市，医疗环境或物联网传感器。由于所交换的消息的敏感性以及客户端/利益相关者/接收者的隐私要求，所提到的几个应用场景需要越来越严格的安全保证。MQTT是一种轻量级的基于主题的订阅协议，在边缘和物联网环境中很受欢迎，是目前行业和研究人员广泛采用的事实标准。然而，MQTT代理必须以明文处理数据，因此暴露了大量的攻击面。本文介绍了MQT-TZ，一个利用Arm TrustZone的安全MQTT代理，这是一个可信执行环境（TEE），即使在市场上大量可用的廉价设备（如Raspberry Pi设备）上也很常见。我们定义了一个相互TLS为基础的握手和两层加密的端到端的安全使用TEE作为可信代理。我们的完全实现的原型与微观，宏观基准，以及与现实世界的工业工作负载从MedTech用例的实验评估，突出了几个权衡使用TrustZone TEE。我们报告了在构建和评估我们的系统时学到的几个经验教训。我们将MQT-TZ作为开源发布。
2020-08-27 cs.CR
A Review of Performance, Energy and Privacy of Intrusion Detection Systems for IoT
物联网（IoT）是一项颠覆性技术，其应用范围涉及交通和物流系统、智能电网、灵巧家庭、联网车辆和智能城市等多个领域。随着这些基础设施的增长，对这些基础设施的攻击的数量和种类也在增加，突出了不同保护机制的重要性。入侵检测是杰出的保护机制之一，最近为物联网和物联网建立有效的入侵检测做出了显著的努力。然而，这种基础设施的独特特征，包括电池功率，带宽和处理器开销，以及网络动态可以影响入侵检测系统的操作。本文对物联网系统的现有入侵检测系统进行了全面研究，包括新兴系统，如车联网（IoV）。本文分析了现有的系统在三个方面：计算开销，能源消耗和隐私的影响。在对现有入侵检测方法进行严格分析的基础上，本文还确定了针对资源受限的物联网系统及其应用（如IoV）的入侵检测系统的有效和协作设计所面临的挑战。这些努力旨在突出物联网入侵检测的最新技术水平，以及需要在这些系统中实现有效入侵检测的具体努力的开放挑战。
2018-12-21 cs.CR
MediHunt: A Network Forensics Framework for Medical IoT Devices
针对医疗物联网 MQTT 设备内存受限、攻击日志难保存及现有数据集攻击类型不足的问题，本文提出 MediHunt 网络取证框架，结合涵盖 TCP/IP 与应用层攻击的流数据集训练六种 ML 模型，实现实时攻击检测与日志留存，F1 和准确率均超过 0.99。
2023-12-07 cs.CR
REAL-IoT: Characterizing GNN Intrusion Detection Robustness under Practical Adversarial Attack
提出REAL-IoT框架，通过统一数据集和物理测试床评估GNN网络入侵检测在分布漂移与实际攻击下的鲁棒性，并利用LLM过滤对抗样本以增强系统韧性。
2025-07-14 cs.CR
Decentralised Trustworthy Collaborative Intrusion Detection System for IoT
入侵检测系统（IDS）已经成为保护物联网网络免受已知攻击的行业标准。为了提高入侵检测系统的能力，研究人员提出了基于区块链的协作入侵检测系统（CIDS）的概念，其中区块链作为一个分散的平台，允许CIDS节点之间的协作共享入侵相关信息，例如入侵警报和检测规则。然而，基于区块链的CIDS中的建议忽略了对每个节点的可信度进行持续评估的重要性，并且通常基于节点始终是诚实的假设来工作。在本文中，我们提出了一个分散的CIDS，强调CIDS节点之间建立信任的重要性。在我们提出的解决方案中，每个CIDS节点交换检测规则，以帮助其他节点检测新类型的入侵。我们的架构将信任计算卸载到区块链，并利用分散的存储来托管共享的可信检测规则，从而确保可扩展性。我们在实验室规模的测试平台上的实现表明，我们的解决方案是可行的，并且在以太坊平台的预期基准内执行。
2021-10-21 cs.CR
Voting Classifier-based Intrusion Detection for IoT Networks
物联网（IoT）正在通过为边缘物理设备的管理铺平道路来改变人类的生活。这些互连的物联网对象共享数据以实现远程访问，并且容易受到开放式攻击和非法访问。入侵检测方法通常用于检测这类攻击，但使用这些方法，性能/准确性不是最佳的。本文提出了一种新的基于集合的投票分类器的入侵检测方法，该方法将多个传统分类器作为基础学习器，对传统分类器的预测结果进行投票，以得到最终的预测结果。为了测试所提出的方法的有效性，在一组七个不同的物联网设备上进行了实验，并测试了二进制攻击分类和多类攻击分类。结果表明，全球定位系统（GPS）传感器和天气传感器的精确度分别为96%和97%，其他机器学习算法的精确度分别为85%和87%。通过与其他传统机器学习方法的比较，验证了该算法的优越性。
2021-04-25 cs.CR
Optimizing IoT Intrusion Detection with Tabular Foundation Models for Smart City Forensics
Zayed University（扎耶德大学）；Higher Colleges of Technology（高等技术学院）
本文提出基于Transformer的基础模型TabPFNv2.5，在智慧城市取证中实现比随机森林更快的推理速度和更高的检测准确率，通过混合管道提升物联网入侵检测效率。
2026-04-13 cs.CR
Deep Reinforcement Learning for Intrusion Detection in IoT: A Survey
本文综述了物联网中基于深度强化学习的入侵检测系统，将现有方法分为WSN、DQN等五类，并详细介绍了关键性能指标和所用数据集。
2024-05-30 cs.CR
Incremental Federated Learning for Intrusion Detection in IoT Networks under Evolving Threat Landscape
Tallinn University of Technology（塔林理工大学）；Northern Arizona University（北亚利桑那大学）
本研究提出基于LSTM的增量联邦学习方法，用于增强物联网网络中非平稳入侵检测系统的长期性能，通过分析不同学习策略在漂移条件下的表现，以提高检测准确性和资源效率。
2026-03-12 cs.CR
A Novel Dimension Reduction Scheme for Intrusion Detection Systems in IoT Environments
物联网给计算机网络的安全解决方案带来了新的挑战。入侵检测系统（IDS）是迄今为止最有效的安全工具之一，但异构的协议和“物”产生的大量数据以及主机资源的有限性，使得现有的一些IDS方案显得力不从心。为了使入侵检测系统能够在物联网环境中工作，本文提出了一种新的分布式降维方案，解决了资源有限的挑战。设计了一种新的自动编码器，它学习生成一个潜在空间。然后，受约束的主机/探测器使用生成的权重通过单个操作降低维度。压缩后的数据被传输到中央IDS服务器以验证流量类型。该方案的目的是通过压缩数据来降低传输数据所需的带宽，并减少主机中压缩任务的开销。在三个著名的网络流量数据集（UNSW-NB 15、TON\_IoT20和NSL-KDD）上对该方案进行了评估，结果表明，该方案可以获得一个三维的潜在空间（压缩约90%），而不会显著降低IDS的检测精度.
2020-07-12 cs.CR
CITADEL: Continual Anomaly Detection for Enhanced Learning in IoT Intrusion Detection
本文提出CITADEL自监督持续学习框架，通过记忆感知掩码自编码器和表格到图像转换模块解决物联网入侵检测中的灾难性遗忘问题，在多个数据集上较VLAD提升高达72.9%。
2025-08-26 cs.CR
A Deployment-Aware Feasibility Framework for Machine Learning-Based IoT Intrusion Detection Across Edge, Fog, and Cloud Architectures
Eastern Michigan University（东密歇根大学）
本文提出一个部署感知的可行性框架，通过定量评分模型评估机器学习入侵检测方法在边缘、雾和云架构中的适用性，为物联网安全设计提供实用指导。
2026-10-08 cs.CR
Data Analytics-enabled Intrusion Detection: Evaluations of ToN_IoT Linux Datasets
随着人工智能（AI）安全应用的广泛应用，需要收集异构和可扩展的数据源，以有效地评估安全应用的性能。本文介绍了新的数据集，命名为ToN物联网数据集，包括分布式数据源收集的物联网（IoT）服务的遥测数据集，Windows和Linux的操作系统数据集，和网络流量的数据集。本文旨在描述一种新的测试床架构，用于从硬盘、内存和进程的审计跟踪中收集Linux数据集。该架构设计在边缘、雾和云三个分布式层中。边缘层包括物联网和网络系统，雾层包括虚拟机和网关，云层包括与其他两层连接的数据分析和可视化工具。这些层通过使用VMware NSX和vCloud NFV平台的软件定义网络（SDN）和网络功能虚拟化（NFV）进行编程控制。Linux ToN物联网数据集将用于训练和验证各种新的联合和分布式AI安全解决方案，如入侵检测，威胁情报，隐私保护和数字取证。采用各种数据分析和机器学习方法来确定数据集在检查特征工程、合法和安全事件的统计以及安全事件的可靠性方面的保真度。这些数据集可以从[1]公开访问。
2020-10-04 cs.CR
Toward a Deep Learning-Driven Intrusion Detection Approach for Internet of Things
物联网（IoT）为我们的日常生活带来了巨大的好处，涵盖了我们经常与之互动的各种应用领域，从医疗保健自动化到交通和智能环境。然而，由于受限的资源和计算能力的限制，物联网网络容易受到各种网络攻击。因此，保护物联网网络免受对抗攻击至关重要。在本文中，我们提出了一种新的入侵检测方法，物联网网络通过应用深度学习技术。我们采用尖端的物联网数据集，包括物联网跟踪和真实的攻击流量，包括拒绝服务，分布式拒绝服务，侦察和信息窃取攻击。我们利用在个人数据包的头部字段信息作为通用功能来捕捉一般的网络行为，并开发一个前馈神经网络模型与嵌入层（编码高维分类功能）的多类分类。随后采用迁移学习的概念对高维分类特征进行编码以构建二元分类器。通过评估所提出的方法得到的结果表明，二进制和多类分类器的分类精度高。
2020-07-18 cs.CR
Semantic Multi-Agent Intrusion Detection for IoT:Zero-Day and Adversarial Threats with Risk-Aware Reasoning
Polytechnique Montréal（蒙特利尔高等理工学院）
提出一种结合语义嵌入与多阶段概率决策融合的语义多智能体入侵检测系统，通过四个智能体协作实现零日攻击和对抗攻击的高效检测，在多个真实物联网数据集上达到95.9%检测准确率。
2026-10-30 cs.CR
Enhancing Cybersecurity in IoT Networks: A Deep Learning Approach to Anomaly Detection
Hebei Finance University（河北金融学院）
针对物联网扩张带来的网络安全威胁升级问题，提出融合LSTM与注意力机制的深度学习异常检测模型，在多类公开数据集上表现优于现有基线。
2024-12-11 cs.CR cs.LG
Federated Learning-Enhanced Blockchain Framework for Privacy-Preserving Intrusion Detection in Industrial IoT
针对工业物联网传统入侵检测的隐私、延迟与单点故障问题，提出结合联邦学习与区块链的FL-BCID框架，通过边缘协同训练与链上存证实现高准确率、低开销的隐私保护入侵检测。
2025-05-21 cs.CR
Efficient Intrusion Detection on Low-Performance Industrial IoT Edge Node Devices
工业系统中传感器、执行器和可编程逻辑控制器（PLC）之间的通信从双线现场总线转移到基于IP的协议，如Modbus/TCP。这增加了攻击面，因为基于IP的网络通常可以从公司内的任何地方访问。因此，集中式防御，例如在网络的周边，不能提供足够的保护。相反，需要分散的防御，网络的每个部分都可以保护自己。网络入侵检测系统（IDS）监控网络并报告可疑活动。它们通常在单个主机上运行，无法捕获网络中的所有事件，并且与大量集成工作相关联。为了弥合这一差距，我们引入了一种入侵检测方法，该方法将工业物联网（IIoT）边缘设备上的分布式代理与集中式日志记录相结合。与现有的IDS相比，分布式方法适用于工业低性能微控制器。我们在运行FreeRTOS和LwIP的MCU上演示了概念验证（Proof of Concept，简称OTT）实现，并展示了我们的方法在IIoT应用中的可行性。
2019-08-11 cs.CR
Empowering IoT Security: On-Device Intrusion Detection in Resource Constrained Devices
Cardiff University（卡迪夫大学）；Toshiba Bristol Research and Innovation Laboratory（东芝布里斯托研究与创新中心）
本文提出轻量级模型，利用机器学习算法在资源受限设备上实现高精度入侵检测，采用决策树和神经网络分别达到99%和96%的检测准确率，提升物联网网络的实时监控与防御能力。
2026-05-13 cs.CR
Active Learning for Wireless IoT Intrusion Detection
Tongji University（同济大学）；AT&T Labs Research（美国电话电报公司实验室研究中心）
物联网（IoT）在我们的日常生活中变得无处不在，但它也面临着独特的安全挑战。入侵检测对于无线物联网网络的安全至关重要。本文讨论了人在回路主动学习方法在无线入侵检测中的应用。我们首先提出了针对无线物联网网络设计成功的入侵检测系统（IDS）的基本挑战。然后，我们简要回顾了主动学习的基本概念，并提出了它的就业在无线入侵检测的各种应用。实验结果表明，主动学习方法与传统的监督学习方法相比，其性能有显著的提高。虽然机器学习技术已被广泛用于入侵检测，但利用机器和人类智能的人机回路机器学习在物联网入侵检测中的应用仍处于起步阶段。我们希望本文能帮助读者理解主动学习的核心概念，并促进这一领域的进一步研究。
2018-08-04 cs.AI cs.CR
A Quantum Genetic Algorithm-Enhanced Self-Supervised Intrusion Detection System for Wireless Sensor Networks in the Internet of Things
针对物联网无线传感器网络入侵检测中传统IDS计算成本高、依赖标注数据的问题，提出融合量子遗传算法与自监督学习的混合IDS，在基准数据集上准确率、误报率和计算效率均优于传统模型。
2025-09-03 cs.CR
Smart Home: Application using HTTP and MQTT as Communication Protocols
这项研究揭示了一种解决方案的开发，用于在后COVID-19时代使用物联网领域知识实现灵巧家庭。COVID-19的爆发是灾难性的，由于它从一个身体迅速传播到另一个身体，影响了每个人的生活。这项研究旨在通过消除接触家中任何公共点表面（如开关、门把手和遥控器）的需要来减少病毒传播。我们提供一个通用的解决方案，将事物与互联网相结合，以远程控制它们。该项目旨在展示一个工作解决方案，以控制设备，如智能灯泡，智能风扇，智能空调，智能门锁在我们自主开发的模拟器在WWW上安全地使用两种不同的协议，即，HTTP和MQTT-over-WSS此外，HTTP上的意图认证基于数字签名，当系统部署在不安全的环境中时，使用RSA（加密）和MD5（散列）来演示该数字签名。使用AWS EC2上部署的RESTful API实现HTTP通信协议，使用AWS IoT服务实现MQTT。开发的项目可以应用于任何灵巧家庭设置，如使用AWS IoT、Lambda或类似基础设施作为代理的酒店或公共场所。
2021-12-20 cs.CR cs.HC cs.MM
DeepAuditor: Distributed Online Intrusion Detection System for IoT devices via Power Side-channel Auditing
William & Mary（威廉与玛丽学院）；Old Dominion University（欧道明大学）
随着物联网设备数量的迅速增加，物联网僵尸网络已经利用了物联网设备的漏洞。然而，在大规模攻击之前检测物联网设备上的初始入侵仍然具有挑战性。最近的研究利用电源侧信道信息来识别物联网设备上的这种入侵行为，但仍然缺乏用于无处不在的僵尸网络检测的实时准确模型。我们提出了第一个在线入侵检测系统，称为DeepAuditor，用于通过电源审计的物联网设备。为了开发实时系统，我们提出了一个轻量级的电力审计设备称为电力审计。我们还设计了一个分布式CNN分类器，用于实验室环境中的在线推理。为了防止数据泄漏和减少网络冗余，我们提出了一个隐私保护的推理协议，通过压缩同态加密和滑动窗口协议在我们的系统。的分类精度和处理时间进行了测量，所提出的分类器优于基线分类器，特别是对看不见的模式。我们还证明了分布式CNN设计对任何分布式组件都是安全的。总的来说，这些测量结果表明了我们的实时分布式系统在物联网设备上进行入侵检测的可行性。
2022-05-10 cs.CR cs.LG
Hybrid Machine Learning Models for Intrusion Detection in IoT: Leveraging a Real-World IoT Dataset
Florida Atlantic University（佛罗里达大西洋大学）
本文提出融合RF、XGBoost、KNN和AdaBoost的投票式混合分类器，并基于IoT-23在二分类与多分类任务中验证其优于单一模型。
2025-02-17 cs.AI cs.CR
Intrusion Detection in IoT Networks Using Hyperdimensional Computing: A Case Study on the NSL-KDD Dataset
Computer Science and Engineering, Wright State University, Ohio, USA（计算机科学与工程系，怀特州立大学，俄亥俄州，美国）；Computer Science and Engineering, Azad University, Ahvaz, Iran（计算机科学与工程系，阿扎德大学，阿瓦兹，伊朗）
针对物联网网络的安全挑战，提出基于超维计算的入侵检测框架，在NSL-KDD数据集上实现99.54%的准确率，优于传统方法，为物联网安全提供新方案。
2025-03-04 cs.CR cs.LG
Intrusion Detection Systems for Smart Home IoT Devices: Experimental Comparison Study
灵巧家庭是新兴物联网（IoT）技术最有前景的应用之一。随着智能恒温器、智能冰箱、智能扬声器、智能灯泡和智能锁等物联网相关设备的不断增加，灵巧家庭有望让我们的生活更轻松、更舒适。然而，此类智能设备的部署增加带来了潜在的安全风险和家庭隐私泄露的增加。为了克服这些风险，入侵检测系统作为相关的工具，可以为部署在家庭环境中的智能设备提供网络级的保护。这些系统监控与灵巧家庭连接的设备的网络活动，并专注于警告可疑或恶意活动。它们还可以通过阻止冒名顶替者访问受害者设备来处理检测到的异常活动。然而，由于设备硬件限制，在灵巧家庭的上下文中使用这样的系统可能是具有挑战性的，这可能限制它们对抗现有和新兴攻击向量的能力。因此，本文提出了广泛使用的开源NIDS之间的实验比较，即Snort，Suricata和Bro IDS，以找到最适合灵巧家庭的检测精度和资源消耗，包括CP和内存利用率。实验结果表明，Suricata是灵巧家庭中性能最好的NIDS
2021-01-16 cs.CR
A Review of Intrusion Detection Systems and Their Evaluation in the IoT
入侵检测系统（IDS）是保护关键基础设施的关键组件，能够检测网络或主机上的恶意活动。为物联网（IoT）网络实施IDS的过程并非没有挑战，因为这些系统的可变性，特别是访问数据的困难。这些非常受限的设备的细节使得能够处理各种攻击的IDS的设计是一个非常具有挑战性的问题，也是一个非常活跃的研究课题。在目前的文献状态，已经提出了一些方法来提高入侵检测的效率，迎合这些限制，如资源限制和移动性。在本文中，我们回顾了2008年至2018年专门针对这类设备的IDS工作，共收集了51篇不同的IDS论文。我们总结了该领域的当前主题，总结了训练和部署IDS所采用的技术，并对这些方法进行了定性评估。虽然这些工作为这些约束的子部分提供了有价值的见解和解决方案，但我们从整体上讨论了这些解决方案的局限性，特别是这些方法难以检测到哪些类型的攻击以及此类系统所特有的设置限制。我们发现，虽然有几篇论文声称他们的方法很新颖，但很少进行论文间比较，迫切需要共享数据集，几乎没有共享代码库，因此需要进行彻底的比较评估。
2021-05-17 cs.CR
A Comparative Study of Recent Advances in Internet of Intrusion Detection Things
University of Upper-Alsace（上阿尔萨斯大学）；American University of the Middle East（中东美国大学）
本文比较了物联网入侵检测系统近期的先进技术和方法，为IoT安全研究提供参考。
2026-03-09 cs.CR cs.NI
A Comparative Analysis of Machine Learning Algorithms for Intrusion Detection in Edge-Enabled IoT Networks
Taylor's University（泰莱大学）
互连设备和通过无线网络的数据通信的数量的显著增加已经引起了各种威胁、风险和安全问题。物联网（IoT）应用几乎部署在日常生活的各个领域，包括敏感环境。边缘计算范式通过将计算处理移动到数据源附近来补充物联网应用。在各种安全模型中，基于机器学习（ML）的入侵检测是最有可能对抗边缘物联网网络中异常行为的防御机制。ML算法用于将网络流量分为正常和恶意攻击。入侵检测是网络安全领域中的一个具有挑战性的问题。研究界提出了许多入侵检测系统。然而，在选择合适的算法以在启用边缘的IoT网络中提供安全性方面存在挑战。在本文中，传统的机器学习分类算法进行了比较分析，NSL-KDD数据集上使用Pycharm工具上的分类器对网络流量进行分类。可以观察到，多层感知（MLP）在输入和输出之间具有依赖性，并且更多地依赖于用于入侵检测的网络配置。因此，MLP更适合基于边缘的物联网网络，其训练时间更好，为1.2秒，测试准确率为79%。
2021-11-02 cs.CR cs.LG
Poster Abstract: Towards Scalable and Trustworthy Decentralized Collaborative Intrusion Detection System for IoT
入侵检测系统（IDS）的目的是通过部署一个检测器来连续监视网络流量，从而警告用户即将到来的攻击。为了提高入侵检测系统的检测能力，通常由一组独立的入侵检测器协同工作来构建整体网络表征的智能，这就是协同入侵检测系统（Collaborative Intrusion Detection System，CIDS）。然而，开发一个有效的CIDS，特别是针对物联网生态系统，提出了几个挑战。区块链技术的最新趋势和进展，提供了分布式信任和安全不可变存储的保证，可能有助于设计有效的CIDS。在这张海报摘要中，我们介绍了我们正在进行的基于区块链技术的物联网分散式CIDS的工作。我们提出了一个架构，提供负责任的信任建立，促进激励和惩罚，并通过交换布隆过滤器可扩展的入侵信息存储。我们目前正在本地测试平台上实施模块化架构的概念验证，并评估其在检测物联网网络中常见攻击和相关开销方面的有效性。
2020-02-18 cs.CR cs.DC
BotNet Intrusion Detection System in Internet of Things with Developed Deep Learning
技术的快速发展导致了计算网络的创建。物联网的应用随着传感器的扩展和发展以及一系列设备连接到互联网的使用而变得越来越明显。当然，任何网络的发展也会带来一些挑战。与其他网络一样，物联网的主要挑战是其安全性。在安全领域，存在攻击检测、认证、加密等问题，其中最重要的攻击之一是破坏网络使用的网络攻击。物联网上最重要的攻击之一是僵尸网络攻击。这个主题的最重要的挑战包括非常高的计算复杂性，缺乏与以前的方法比较，缺乏可扩展性，高执行时间，缺乏审查的准确性方面提出的方法来检测和分类攻击和入侵。在物联网中使用入侵检测系统是识别和检测各种攻击的重要一步。因此，能够解决这些挑战的算法提供了一种接近最优的方法。使用基于训练的模型和算法，如深度学习-强化学习和XGBoost学习组合（DRL-XGBoost）模型，可以成为克服以前弱点的一种有趣方法。本次研究的数据是Bot-IoT-2018。
2022-07-10 cs.CR
Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework
Jilin University（吉林大学）；Nanyang Technological University（南洋理工大学）；Edith Cowan University（伊迪丝科文大学）；the University of Technology Sydney（悉尼科技大学）；The University of Sydney（悉尼大学）；Tohoku University（东北大学）
本文提出一种基于大语言模型的多智能体协作入侵检测框架，用于提升低空经济物联网的安全性能，实验显示其在多个数据集上达到90%以上的分类准确率。
2026-01-25 cs.CR cs.NI
Green Deep Reinforcement Learning for IoT Edge Intrusion Detection
Polytechnique Montréal（蒙特利尔理工学院）；Northeastern University（东北大学）
本文提出两种基于深度强化学习的入侵检测系统，通过理论分析和实验评估验证其在边缘网关上的有效性，同时引入碳感知的多目标奖励机制，以实现可持续的实时入侵检测。
2026-07-15 cs.CR
AI-based Two-Stage Intrusion Detection for Software Defined IoT Networks
Zhejiang University（浙江大学）
软件定义的物联网（SD-IoT）网络得益于集中管理和交互式资源共享，提高了物联网应用的效率和可扩展性。但随着服务和应用的快速增长，它很容易受到可能的攻击，并面临严峻的安全挑战。入侵检测已被广泛应用于网络安全，但传统的检测手段通常是基于特征或基于显式行为的，无法智能地检测未知攻击，难以满足SD-IoT网络的需求。在本文中，我们提出了一个基于人工智能的两阶段入侵检测软件定义技术授权。它以全局视角灵活捕获网络流量，并通过应用AI算法智能检测攻击。我们首先利用蝙蝠算法与群体划分和差分变异选择典型特征。然后，我们利用随机森林，通过自适应地改变样本的权重加权投票机制来分类流。评价结果表明，改进后的智能算法选择了更多的重要特征，在流分类中取得了更好的性能。实验结果表明，与现有的入侵检测方案相比，智能入侵检测具有更高的准确性和更低的开销。
2018-06-07 cs.AI cs.CR
Threat analysis of IoT networks Using Artificial Neural Network Intrusion Detection System
物联网（IoT）仍处于起步阶段，并在许多工业领域引起了极大的兴趣，包括医疗领域，物流跟踪，智能城市和汽车。然而，作为一个范例，它容易受到一系列重大入侵威胁的影响。本文介绍了物联网的威胁分析，并使用人工神经网络（ANN）来对抗这些威胁。使用互联网数据包跟踪来训练一种多级感知器，这是一种有监督的人工神经网络，然后评估其阻止分布式拒绝服务（DDoS/DoS）攻击的能力。本文重点介绍物联网网络上正常和威胁模式的分类。人工神经网络过程在模拟的物联网网络上进行了验证。实验结果表明，99.4%的准确率，可以成功地检测各种DDoS/DoS攻击。
2017-04-07 cs.CR cs.NE
FLARE: Feature-based Lightweight Aggregation for Robust Evaluation of IoT Intrusion Detection
Augusta University（奥古斯塔大学）；Digital Forensics & Artificial Intelligence Research Lab（数字取证与人工智能研究实验室）
本文提出FLARE，一种基于特征的轻量级聚合方法，通过会话、流和滑动窗口聚合增强物联网入侵检测性能，实验表明其能提升端到端模型效果并降低计算成本。
2025-04-21 cs.CR cs.LG
An Improved CNN-LSTM Based Intrusion Detection System for IoT Networks
University of Engineering and Technology, Lahore（拉合尔工程与技术大学）
提出一种结合多类分类、数据集集成和时间特征学习的改进CNN-LSTM入侵检测模型，在物联网网络上达到约97%的准确率。
2026-06-04 cs.AI cs.CR cs.LG
An Intelligent Mechanism for Monitoring and Detecting Intrusions in IoT Devices
University of Coimbra（科英布拉大学）；Instituto Pedro Nunes（佩德罗·努内斯研究所）
本研究提出一种基于主机的入侵检测系统，结合联邦学习与多层感知机神经网络，以高准确率检测IoT设备网络攻击并增强数据隐私保护。
2023-06-23 cs.AI cs.CR cs.DC
Lightweight Intrusion Detection System Using a Hybrid CNN and ConvNeXt-Tiny Model for Internet of Things Networks
针对物联网安全威胁，提出一种结合CNN与ConvNeXt-Tiny的轻量级入侵检测系统，在真实数据集上实现99.63%测试准确率，兼顾高效检测与低资源消耗。
2025-09-07 cs.CR
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
HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection
University of Queensland（昆士兰大学）
物联网生态系统安全态势的持续加强至关重要，因为互联设备的数量和共享的敏感数据量不断增加。利用机器学习（ML）功能防御物联网网络攻击具有许多潜在的好处。然而，目前提出的框架没有考虑数据隐私，安全架构和/或物联网生态系统的可扩展部署。在本文中，我们提出了一个基于分层区块链的联邦学习框架，以实现安全和隐私保护的协作物联网入侵检测。我们强调并展示了在组织间物联网网络之间共享网络威胁情报以提高模型检测能力的重要性。建议基于ML的入侵检测框架遵循分层联邦学习架构，以确保学习过程和组织数据的隐私。交易（模型更新）和流程将在安全的不可变分类账上运行，执行任务的一致性将由智能合约验证。我们已经测试了我们的解决方案，并通过实施它并使用关键的物联网数据集评估入侵检测性能来证明其可行性。其结果是一个安全设计的基于ML的入侵检测系统，能够检测到广泛的恶意活动，同时保护数据隐私。
2022-04-08 cs.CR cs.LG cs.NI
Application of Deep Reinforcement Learning for Intrusion Detection in Internet of Things: A Systematic Review
本系统综述探讨深度强化学习在物联网入侵检测中的应用，通过分析近十年研究，表明DRL能增强IDS适应性，提高威胁检测准确性并减少误报，同时指出研究空白与未来方向。
2025-04-20 cs.CR
Is there a Trojan! : Literature survey and critical evaluation of the latest ML based modern intrusion detection systems in IoT environments
University of Southern California（南加州大学）
本文综述并批判性评估了物联网环境中基于机器学习的最新入侵检测系统，指出高精度算法缺乏生产级模型，并总结了方法、挑战及未来研究方向。
2023-06-14 cs.CR cs.LG
Machine Learning Based Intrusion Detection Systems for IoT Applications
物联网（IoT）及其应用是目前最热门的研究领域。物联网的特性一方面使其易于应用于现实生活中的应用，而另一方面又使其面临网络威胁。拒绝服务（DoS）是针对物联网的最具灾难性的攻击之一。在本文中，我们研究了使用机器学习分类算法来保护物联网免受DoS攻击的前景。本文对分类器进行了全面的研究，以期对基于异常的入侵检测系统的发展起到推动作用。分类器的性能评估是在突出的指标和验证方法。流行的数据集CIDDS-001，UNSW-NB 15和NSL-KDD用于基准分类器。采用Friedman和Nemenyi检验对分类器之间的显著性差异进行统计分析。此外，Raspberry Pi还用于评估物联网特定硬件上分类器的响应时间。我们还讨论了根据应用程序的要求选择最佳分类器的方法。本研究的主要目标是激励物联网安全研究人员使用集成学习开发IDS，并提出适当的方法对分类器的性能进行统计评估。
2023-02-24 cs.CR cs.NI
Security and robustness analysis of encrypted communications for local home automation: ESPHome Native API and MQTT over TLS 1.3
Tecnológico Nacional de México – IT de Veracruz（墨西哥国立理工学院 - 韦拉克鲁斯技术学院）
本文分析了 ESPHome 原生 API 与 MQTT over TLS 1.3 两种家庭自动化通信方案的安全性等维度差异，明确了各自适用场景，为相关 IoT 系统设计提供依据。
2026-10-14 cs.CR
Robustness Analysis of Machine Learning Models for IoT Intrusion Detection Under Data Poisoning Attacks
Department of Telecommunication, Kwame Nkrumah University of Science and Technology (KNUST), Kumasi, Ghana（电信系，科克伦大学科学与技术学院（KNUST），加纳库马西）
本研究评估了四种常用分类器在数据中毒攻击下的鲁棒性，发现集成模型较稳定，而逻辑回归和深度神经网络在标签操纵和异常值攻击下性能下降达40%，强调了对抗训练和异常监控的重要性。
2026-04-15 cs.AI cs.CR
Enhanced Feature Extraction for IoT Network Intrusion Detection Using GNNs and KAN
Department of Control Science & Engineering, Tongji University（同济大学控制科学与工程系）；National Key Laboratory of Autonomous Intelligent Unmanned Systems（国家自主智能无人系统重点实验室）
针对物联网网络安全问题，提出SKGFusionKAN方法，用多尺度选择性内核注意力机制增强GraphSAGE，实现节点和边缘特征自适应提取，引入门控融合提高鲁棒性，结合KAN分类，实验表明该方法性能优于现有方法。
2026-07-07 cs.AI cs.CR
A Cross-Dataset based Zero-Day Intrusion Detection System by Integrating Siamese Network and Reinforcement Learning
Department of CSE, BRAC University（BRAC大学计算机科学与工程系）
提出一种结合孪生网络异常关联与PPO强化学习自适应防御的零日入侵检测系统，在物联网基准数据集上实现99.07%未知攻击检测准确率和93.94%零日检测率。
2026-09-23 cs.CR
Open Set Dandelion Network for IoT Intrusion Detection
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）；University of New Brunswick（新不伦瑞克大学）；University of Macau（澳门大学）
本文提出开放集Dandelion Network（OSDN），通过无监督异构域适应实现入侵知识转移，并利用蒲公英特征空间机制增强类间可分离性与类内紧凑性，有效解决IoT数据稀缺下的入侵检测及新类别发现问题，性能超越基线16.9%。
2024-01-08 cs.AI cs.CR cs.LG
