A Deep Reinforcement Learning-Based Caching Strategy for IoT Networks with Transient Data
York University（约克大学）
物联网（IoT）在过去几年中不断崛起，其潜力现在更加明显。然而，瞬态数据生成和有限的能源资源是这些网络的主要瓶颈。此外，最小延迟和其他传统的服务质量测量仍然是需要满足的有效要求。高效的缓存策略可以帮助满足标准服务质量要求，同时绕过物联网网络的特定限制。采用深度强化学习（DRL）算法使我们能够开发一种有效的缓存方案，而无需任何先验知识或上下文信息。在这项工作中，我们提出了一个基于DRL的缓存方案，提高缓存命中率，降低物联网网络的能耗，同时，考虑到数据的新鲜度和有限的生命周期的物联网数据。为了更好地捕捉区域不同的流行度分布，我们提出了一种分层架构，在物联网网络中部署边缘缓存节点。综合实验的结果表明，我们提出的方法优于众所周知的传统缓存策略和现有的基于DRL的解决方案的缓存命中率和物联网网络的能源消耗相当大的利润。
2022-03-16 cs.LG cs.NI
A Novel Zero-Touch, Zero-Trust, AI/ML Enablement Framework for IoT Network Security
Victoria University（维多利亚大学）；University of New South Wales（新南威尔士大学）
本文提出一种融合零信任、零接触与AI/ML的物联网安全框架，用于检测和缓解DDoS攻击，并通过比较五种机器学习模型证明集成方法性能最优。
2025-02-05 cs.AI cs.CR cs.LG
FedBlockHealth: A Synergistic Approach to Privacy and Security in IoT-Enabled Healthcare through Federated Learning and Blockchain
University of Technology Sydney（悉尼科技大学）；University of Haripur（哈里普尔大学）；Thapar University Patiala（帕蒂亚拉塔帕尔大学）；Abdul Wali Khan University（阿卜杜勒·瓦利·汗大学）
本文提出FedBlockHealth框架，融合联邦学习与区块链，通过公钥密码保障本地模型更新安全，在EMNIST数据集上验证了物联网医疗场景下的隐私保护、安全性与计算效率。
2023-04-16 cs.AI cs.CR cs.LG
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
Machine Learning in IoT Security: Current Solutions and Future Challenges
Royal Bank of Canada（加拿大皇家银行）；Innopolis University（因诺波利斯大学）；National University of Sciences and Technology (NUST)（国家科技大学）；University of Manitoba（曼尼托巴大学）
未来的物联网（IoT）将对我们的生活产生深刻的经济、商业和社会影响。物联网网络中的参与节点通常是资源受限的，这使得它们成为网络攻击的目标。在这方面，人们已经做出了广泛的努力，主要通过传统的加密方法来解决物联网网络中的安全和隐私问题。然而，物联网节点的独特特性使得现有解决方案不足以涵盖物联网网络的整个安全范围。这至少部分是因为物联网设备产生的资源约束、异构性、大量实时数据以及网络的广泛动态行为。因此，能够在物联网设备和网络中提供嵌入式智能的机器学习（ML）和深度学习（DL）技术被用来应对不同的安全问题。在本文中，我们系统地回顾了物联网网络的安全需求，攻击向量和当前的安全解决方案。然后，我们揭示了这些安全解决方案中需要ML和DL方法的差距。我们还详细讨论了现有的ML和DL解决方案，以解决物联网网络中的不同安全问题。最后，在对文献中现有解决方案进行详细调查的基础上，我们讨论了基于ML和DL的物联网安全的未来研究方向。
2019-03-14 cs.CR cs.LG stat.ML
A Survey of Machine and Deep Learning Methods for Internet of Things (IoT) Security
Qatar University（卡塔尔大学）；Temple University（天普大学）；University of Idaho（爱达荷大学）
物联网（IoT）集成了数十亿个智能设备，这些设备可以在最少的人为干预下相互通信。它是计算计算史上发展最快的领域之一，预计到2020年底将有500亿台设备。一方面，物联网在增强几个可以提高生活质量的现实智能应用方面发挥着至关重要的作用。另一方面，物联网系统的交叉性和部署此类系统所涉及的多学科组件带来了新的安全挑战。为物联网设备及其固有漏洞实施加密、身份验证、访问控制、网络安全和应用程序安全等安全措施是无效的。因此，应加强现有的安全方法，以有效地保护物联网系统。机器学习和深度学习（ML/DL）在过去几年中取得了长足的进步，机器智能已经从实验室好奇心转变为几个重要应用中的实用机器。因此，ML/DL方法对于将物联网系统的安全性从仅仅促进设备之间的安全通信转变为基于安全的智能系统非常重要。这项工作的目标是提供ML /DL方法的全面调查，这些方法可用于为物联网系统开发增强的安全方法。提出了与固有或新引入的威胁相关的物联网安全威胁，并讨论了各种潜在的物联网系统攻击面以及与每个面相关的可能威胁。然后，我们全面回顾了用于物联网安全的ML/DL方法，并介绍了每种方法的机会、优点和缺点。我们讨论了将ML/DL应用于物联网安全的机遇和挑战。这些机遇和挑战可以作为未来潜在的研究方向。
2018-07-29 cs.CR cs.LG cs.NI
Machine and Deep Learning for IoT Security and Privacy: Applications, Challenges, and Future Directions
Institute of Information and Communication Technology (IICT), Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学信息与通信技术研究所）
物联网（IoT）的集成将许多智能设备连接起来，最大限度地减少了人为干扰，可以相互交互。物联网正在计算机科学领域迅速兴起。然而，部署此类计划所涉及的多学科元素和物联网系统的交叉设计带来了新的安全问题。无效的是安全协议的实施，即，物联网系统的认证、加密、应用程序安全和接入网络以及它们在安全方面的基本弱点。当前的安全方法也可以得到改进，以有效保护物联网环境。近年来，深度学习（DL）/机器学习（ML）在各种关键实现中取得了显著进展。因此，DL/ML方法对于将物联网系统保护从简单地实现物联网系统之间的安全联系转变为安全的智能系统至关重要。本文旨在对ML系统进行广泛的分析，并对DL方法的最新发展进行分析，以改进增强的物联网设备保护方法。另一方面，物联网证券在机器和深度学习方面的各种新见解说明了它如何帮助未来的研究。识别与新兴或基本威胁相关的物联网保护风险，以及未来的物联网设备攻击和与每个表面相关的可能威胁。然后，我们仔细分析了DL和ML物联网保护方法，并介绍了每种方法的优点、可能性和弱点。本次审查讨论了一些潜在的挑战和局限性。还包括DL/ML在物联网安全中的未来工作，建议和建议。
2022-10-24 cs.CR cs.LG cs.NI
Effectiveness of Transformer Models on IoT Security Detection in StackOverflow Discussions
Ahsanullah University of Science and Technology（阿赫桑努拉科技大学）
针对Stack Overflow中IoT安全讨论难以识别的问题，本文构建并公开7147条人工标注的IoT Security Dataset，验证transformer跨领域迁移最高损失44%，并训练F1为0.69的领域检测器。
2022-07-29 cs.CR cs.LG cs.SE
Machine Learning Based Solutions for Security of Internet of Things (IoT): A Survey
University of Guelph（圭尔夫大学）
在过去的十年中，物联网平台已经发展成为一个全球巨头，通过其不负责任的智能服务推进人类生活，抓住了我们日常生活的方方面面。由于易于访问以及对智能设备和网络的快速增长的需求，物联网现在面临着比以往任何时候都更多的安全挑战。现有的安全措施可用于保护物联网。然而，传统的技术是不一样的效率与进步繁荣以及不同的攻击类型和他们的复杂性。因此，下一代物联网系统需要强大的动态增强和最新的安全系统。机器学习（ML）已经注意到了巨大的技术进步，这为解决物联网中正在进行和未来的挑战打开了许多可能的研究窗口。为了检测攻击并识别智能设备和网络的异常行为，ML正被用作实现这一目的的强大技术。在这篇调查论文中，讨论了物联网的架构，在对ML进行全面的文献综述之后，从不同类型的可能攻击的角度探讨了物联网安全的重要性。此外，还提出了基于ML的物联网安全潜在解决方案，并讨论了未来的挑战。
2020-04-11 cs.CR cs.LG stat.ML
Security and Privacy in IoT Using Machine Learning and Blockchain: Threats & Countermeasures
University of Technology Sydney（悉尼科技大学）；Macquarie University（麦考瑞大学）；University of South Wales（南威尔士大学）；Federation University（联邦大学）
由于物联网（IoT）设备在众多应用中的参与，用户的安全和隐私已经成为重要的关注点。网络威胁正以爆炸性的速度增长，使得现有的安全和隐私措施不足。因此，互联网上的每个人都是黑客的产品。因此，机器学习（ML）算法用于从大型复杂数据库中生成准确的输出，其中生成的输出可用于预测和检测基于物联网的系统中的漏洞。此外，区块链（BC）技术在现代物联网应用中越来越流行，以解决安全和隐私问题。已经对ML算法或BC技术进行了几项研究。然而，这些研究使用ML算法或BC技术针对安全或隐私问题，因此需要对近年来使用ML算法和BC技术解决安全和隐私问题的努力进行综合调查。在本文中，我们总结了过去几年（从2008年到2019年）在物联网领域使用ML算法和BC技术解决安全和隐私问题的研究工作。首先，我们讨论并分类了过去12年来物联网领域报告的各种安全和隐私威胁。然后，我们对物联网领域基于ML算法和BC技术的安全和隐私工作的文献进行了分类。最后，我们确定并阐明了使用ML算法和BC技术解决物联网领域安全和隐私问题的几个挑战和未来研究方向。
2020-08-06 cs.CR cs.LG
An Empirical Study of IoT Security Aspects at Sentence-Level in Developer Textual Discussions
University of Calgary（卡尔加里大学）
本文基于 SO 的 53K 篇 IoT 帖子构建句子级标注基准，训练 RoBERTa 模型 SecBot 识别安全讨论，并通过主题建模归纳开发者面临的九类软件、硬件与网络安全挑战。
2022-06-07 cs.CR cs.IR cs.LG
Enhancing IoT Security: A Novel Feature Engineering Approach for ML-Based Intrusion Detection Systems
University of Kentucky（肯塔基大学）
本文针对物联网环境中基于机器学习的入侵检测系统面临的特征冗余和计算成本问题，提出一种结合二进制量子启发人工蜂群与遗传规划的特征工程方法，在边缘-用户两层环境中平衡成本与准确性，并在NSL-KDD、UNSW-NB15和BoT-IoT数据集上验证了其有效性。
2024-04-29 cs.CR cs.LG cs.NE
IoT based Smart Access Controlled Secure Smart City Architecture Using Blockchain
University of Calcutta（加尔各答大学）；University of California（加利福尼亚大学）
SSL、TLS、IPSec等标准安全协议具有较高的内存和处理器消耗，这使得所有这些安全协议都不适合物联网（IoT）等资源受限平台。区块链（BC）在物联网平台中找到了有效的应用，以保护五个基本的加密原语，如机密性，真实性，完整性，可用性和不可否认性。在IoT平台中传统地采用BC会导致高能耗、延迟和计算开销，这不适合于各种资源受限的IoT设备。这项工作提出了一个基于机器学习（ML）的智能访问控制框架，在公共和私人BC的智能城市应用，使其更有效的相比，现有的物联网应用。拟议的基于物联网的智慧城市架构采用BC技术来保护所有加密安全和隐私问题。此外，BC在IoT平台上的开销也非常小。本文研究了现有的威胁模型和关键的访问控制问题，这些问题处理各个节点的多个权限，并检测相关的不一致性以通知相应的节点。与现有文献中的所有安全问题的比较表明，所提出的架构是有竞争力的高效的安全访问控制。
2019-09-09 cs.CR cs.LG cs.NI
Toward Real-World IoT Security: Concept Drift-Resilient IoT Botnet Detection via Latent Space Representation Learning and Alignment
University of New South Wales（新南威尔士大学）
本文提出一种通过潜在空间表示学习与对齐实现概念漂移鲁棒的物联网僵尸网络检测框架，有效解决传统方法在动态环境中的局限性。
2025-12-27 cs.CV cs.LG
Pre-print: Radio Identity Verification-based IoT Security Using RF-DNA Fingerprints and SVM
University of Tennessee at Chattanooga（田纳西大学查塔努加分校）
预计未来五年物联网设备数量将达到750亿台。目前和即将部署的大多数设备都缺乏足够的安全性来保护自己及其网络免受恶意物联网设备的攻击，这些设备伪装成授权设备以规避数字认证方法。这项工作提出了一种PHY层物联网身份验证方法，能够通过使用功能减少的射频-独特的本机属性（RF-DNA）指纹和支持向量机（SVM）来解决这一关键的安全需求。这项工作成功地证明了100%：（i）在信噪比大于或等于6 dB的六个随机选择的无线电的三次试验中的授权ID验证，以及（ii）使用RF-DNA指纹拒绝所有流氓无线电ID欺骗攻击，其特征使用Relief-F算法选择。
2020-05-19 cs.CR cs.LG eess.SP
Machine Learning-Enabled IoT Security: Open Issues and Challenges Under Advanced Persistent Threats
University of Ottawa（渥太华大学）；Ciena（CIENA公司）
尽管物联网（IoT）具有技术优势，但由于无线介质中的漏洞，物联网（IoT）具有网络弱点。基于机器学习（ML）的方法被广泛用于物联网网络中的网络威胁，具有良好的性能。高级持续性威胁（APT）是网络犯罪分子危害网络的突出表现，具有长期性和危害性的特点。然而，它是很难应用ML为基础的方法来识别APT攻击，以获得一个有前途的检测性能，由于正常流量中的一个非常小的百分比。由于缺乏所有类型的APT攻击的公共数据集，因此对物联网网络中的APT攻击进行全面调查的调查有限。这是值得桥梁的国家最先进的网络攻击检测与APT攻击检测在一个全面的评论文章。这篇调查文章回顾了物联网网络中的安全挑战，并介绍了物联网系统中众所周知的攻击、APT攻击和威胁模型。同时，基于特征的，基于异常的，和混合的入侵检测系统的物联网网络进行了总结。本文重点介绍了针对网络入侵的常用ML方法的统计见解以及检测到的攻击类型的数量。最后，常见的网络入侵和APT攻击的开放性问题和挑战，为未来的研究。
2022-04-17 cs.CR cs.LG cs.NI
