REDUS: Adaptive Resampling for Efficient Deep Learning in Centralized and Federated IoT Networks
本文提出REDUS自适应重采样技术，通过优先误分类样本并剔除冗余数据优化深度学习训练，在CICIoT2023数据集上实现训练时间最多减少72.6%而准确率仅损失1.62%，适用于集中式和联邦物联网网络。
2025-07-02 cs.NI
Rapid IoT Device Identification at the Edge
Imperial College London（帝国理工学院）
消费者物联网（IoT）设备在日常家庭中越来越普遍，从智能扬声器到安全摄像头。除了这些好处，还有潜在的隐私和安全威胁。为了限制这些威胁，我们必须实施解决方案来过滤边缘的物联网流量。为此，物联网设备的识别是第一个自然步骤。在本文中，我们展示了一种快速物联网设备识别的新方法，该方法使用神经网络对设备DNS流量进行训练，这些流量可以从本地网络上的DNS服务器捕获。该方法通过将模型拟合到第一次连接后的第一秒DNS二级域流量来识别设备。由于安全和隐私威胁检测通常在设备特定级别进行，因此快速识别可以立即实施这些策略。通过总共51，000次严格的自动化实验，我们对来自27个不同制造商的30个消费者物联网设备进行了分类，产品类型和设备制造商的准确率分别为82%和93%。
2021-10-26 cs.LG cs.NI
A Survey of Protocols and Standards for Internet of Things
技术和互联网连接设备的快速增长使物联网（IoT）成为计算的重要领域之一。针对物联网生态系统的标准、技术和平台正在以非常快的速度开发。物联网使事物能够为许多不同类型的应用程序（包括医疗保健，家庭自动化，灾难恢复和工业自动化）进行通信和协调决策。预计未来将扩展到更多的应用程序。本文调查了IEEE、IETF和ITU的几个标准，这些标准使物联网的快速增长成为可能。这些标准包括通信、路由、网络和会话层协议，正在开发这些协议以满足物联网的要求。讨论还包括管理和安全协议，以及物联网当前面临的挑战，从而深入了解当前解决这些挑战的研究。
2019-02-10 cs.NI
Optimizing Mission Critical Data Dissemination in Massive IoT Networks
大规模物联网（IoT）网络中的关键任务数据分发对设备之间的消息传输延迟施加了约束。由于物联网设备的低功率和通信范围，预计数据将在到达目的地之前通过多个设备到设备（D2D）链路中继。大量物联网设备的共存在最大限度地提高整个网络的成功传输容量以及减少多跳传输延迟以支持关键任务应用方面提出了挑战。在基于竞争的媒体接入协议的载波侦听阈值与设备在每一跳处选择的分组转发策略的选择之间存在微妙的相互作用。在优化这样的网络的性能的基本问题是平衡之间的权衡冲突的性能目标，如空间频率复用，传输质量，和数据包的进展到目的地。在本文中，我们使用随机几何方法来量化的多跳大规模物联网网络的性能的空间频率重用和不同的数据包转发方案下的传输质量。我们还开发了一个全面的性能指标，可用于优化系统，以实现最佳性能。研究结果可用于根据时延约束和传输质量要求选择最佳转发方案和调整载波侦听阈值以优化网络性能。
2017-04-19 cs.NI cs.PF
KRATOS: An Open Source Hardware-Software Platform for Rapid Research in LPWANs
远程（LoRa）无线电技术最近在物联网领域获得了发展势头，允许在长达几公里的距离上进行低功耗通信。因此，越来越多的LoRa网络正在部署。然而，商用LoRa设备价格昂贵且不合适，这造成了进入障碍，并可能减缓新应用程序的开发和部署。使用开源硬件和软件平台将允许更多的开发人员测试和构建智能设备，从而形成更好的整体开发生态系统，降低进入门槛，并使物联网应用数量快速增长。为了实现这一目标，本文介绍了KRATOS的设计，实现和评估，这是一个运行Contikios的低成本LoRa平台。我们的硬件和软件设计都是作为开源软件发布给研究界的.
2018-09-11 cs.NI
EAPS: Edge-Assisted Predictive Sleep Scheduling for 802.11 IoT Stations
Santa Clara University（圣克拉拉大学）；Commonwealth Scientific and Industrial Research Organisation (CSIRO)（英联邦科学与工业研究组织（CSIRO））
针对802.11物联网站点能效机制PSM和APSD的不足，提出边缘辅助预测性休眠调度机制EAPS，通过机器学习预测下行数据包交付来调整休眠时长，在保持低能耗的同时实现接近常唤醒状态的低延迟。
2020-06-28 cs.LG cs.NI cs.SY
RACH Optimization with Decision Tree Based Supervised Learning for Conditional Handover in 5G Beamformed Systems
5G网络中引入的更高频率会导致信号快速退化，并对用户移动性构成挑战。在最近的研究中，5G网络已经采用了有条件切换过程来增强用户移动性鲁棒性。在本文中，有条件切换的移动性性能分析5G毫米波系统与波束成形。此外，提出了一种资源高效的随机接入过程，增加了切换过程中无竞争随机接入的机会，从而减少了信令和中断时间。此外，简单，但有效的决策树的监督学习的方法，提出了最小化的切换失败所造成的波束准备阶段的随机接入过程。结果揭示了无竞争随机接入和切换失败之间的权衡。它还表明，随机接入的最佳操作点是可以实现的条件切换与建议的学习算法。
2021-02-09 cs.NI
Hybrid Low-Power Wide-Area Mesh Network for IoT Applications
物联网（IoT）的最新进展使得能够使用IoT设备从不同环境收集数据汇集。然而，尽管低功耗通信技术的快速发展，物联网网络的部署仍然面临着许多挑战。在本文中，我们提出了一种混合，低功耗，广域网（LPWAN）结构，可以通过利用sub-GHz远程无线电和2.4 GHz短程无线电在物联网设备上实现广域通信覆盖和低功耗。具体来说，我们使用LoRa构建了一个低功耗网状网络，LoRa是一种物理层标准，可以使用自定义时分多址（TDMA）提供长距离（公里）点对点通信。此外，我们通过启用ANT（一种超低功耗、短距离通信协议）来扩展网状网络的功能，以满足密集设备部署中的数据汇集。第三，我们展示了混合网络的性能与两个现实世界的部署在普渡大学校园和大学拥有的农场。结果表明，这两种网络在成本、覆盖范围和功耗方面都比LoRaWAN等其他物联网解决方案具有更大的优势。
2020-06-22 cs.NI
Rapid Top-Down Synthesis of Large-Scale IoT Networks
优化和约束满足技术的进步，以及弹性计算资源的可用性，激发了人们对大规模网络验证和综合的兴趣。受此启发，我们考虑自上而下的自组织物联网网络的合成，用于灾难响应和搜索救援行动。这个综合问题必须满足复杂和竞争的约束：传感器覆盖范围，视线的可见性，和网络连接。我们的合成问题的核心挑战是快速扩展到大区域，同时产生具有成本效益的解决方案。我们探索两个定性不同的表示的综合问题可满足性模凸优化（SMC），和混合整数线性规划（MILP）。对于我们的问题，前者比后者更有表现力，但不太适合解决像我们这样的优化问题。我们展示了如何表达我们的网络合成在这些框架中，并扩展到问题的大小超出了这些框架的能力，开发一个分层的合成技术，独立地合成网络的子区域的部署区域，然后结合这些。我们发现，虽然MILP优于SMC在某些设置较小的问题大小，SMC的表现力匹配我们的问题，确保它均匀地产生更好的质量解决方案，在较大的问题大小的事实。
2020-03-27 cs.CC cs.NI
A Comprehensive Review of Smart Cities Components, Applications, and Technologies Based on Internet of Things
智慧城市技术正在使城市更加有效，这是城市人口快速增长所必需的。随着先进的计量基础设施和其他数字技术的快速增长，智能城市已经变得更加智能，拥有高效的电子设备和基于物联网（IoT）的嵌入式传感器。本文全面回顾了智慧城市的概念及其组成部分和应用。此外，智能城市基础设施中使用的物联网技术和世界上一些实际实施的智能城市被称为示例性实施。一些开放的问题和未来的方向结束了文件。
2020-02-05 cs.NI
A Clustering Strategy for Enhanced FL-Based Intrusion Detection in IoT Networks
针对物联网设备数据高度异构导致传统联邦学习入侵检测效果不佳的问题，提出一种基于熵的三层FL聚类架构，在CIC-ToN-IoT数据集上使F1分数提升达17%并减少训练轮数。
2023-07-26 cs.NI
AnoML-IoT: An End to End Re-configurable Multi-protocol Anomaly Detection Pipeline for Internet of Things
普适计算的快速发展使得微控制器成为边缘设备。这些设备用于开发真正分布式的基于物联网的机制，其中利用了机器学习（ML）模型。然而，将ML模型集成到边缘设备需要了解各种软件工具，如程序设计语言和特定领域的知识。异常检测是需要高水平的专业知识才能实现有希望的结果的领域之一。在这项工作中，我们提出了AnoML，这是一个端到端的数据科学管道，允许集成多种无线通信协议，异常检测算法，部署到边缘，雾和云平台，用户交互最少。我们通过减少由于物联网环境的异构性而形成的障碍来促进物联网异常检测机制的开发。拟议的管道支持四个主要阶段：（i）数据摄取，（ii）模型训练，（iii）模型部署，（iv）推理和维护。我们使用两个异常检测数据集评估管道，同时比较不同节点内几种机器学习算法的效率。我们还提供了开发工具的源代码（https：//gitlab.com/IOTGarage/anoml-iot-analytics），这些工具是管道的主要组件。
2022-10-04 cs.NI
Time-to-Provision Evaluation of IoT Devices Using Automated Zero-Touch Provisioning
物联网（IoT）在当今社会中被广泛采用，将部署在室内和室外环境（如家庭、工厂和医院）中的智能嵌入式设备相互连接。随着这些物联网设备的开发和实施的增长，其简单快速的部署，初始配置和开箱即用的操作配置正在成为需要规避的突出挑战。考虑到下一代IoT网络内将部署大量异构设备，手动提供这些IoT设备所需的时间量可能会显著延迟部署，并且手动提供可能会引入人为引起的故障和错误。通过整合零接触配置（ZTP），可以更轻松地配置多个异构设备，无需人工干预。在本文中，我们提出了软件支持的接入点（软AP）和基于蓝牙的ZTP解决方案，只依赖于一个单一的调解器设备，并评估其性能使用LOG-A-TEC测试床对手动配置的配置所需的时间（时间到规定，TTP）。我们证明，平均而言，软AP和蓝牙为基础的ZTP解决方案优于手动配置约154%和313%相比，专家配置，约434%和880%相比，非专家配置的TTP性能，分别。
2020-09-22 cs.NI
Futures-Based Resource Trading and Fair Pricing in Real-Time IoT Networks
传感、通信和计算方面的技术进步直接加速了物联网（IoT）的发展，从而在工业和业务流程中产生了丰富多样的应用。为了实现物联网应用，智能设备和网络依赖于信息收集、处理以及与邻居紧密协作的能力。然而，物联网设备和实时的【形】物联网应用的快速增长导致对通信和计算资源的需求急剧增加，对底层资源受限的无线网络提出了重大挑战。由于它们的资源限制，这些设备和网络极难满足许多实时的【形】IoT应用的严格要求。为了克服这些挑战，物联网设备和网络之间的资源共享已被研究为通过利用未使用的资源的有效解决方案。
2019-09-29 cs.GT cs.NI
FLIP:FLexible IoT Path Programming Framework for Large-scale IoT
随着形成物联网结构的智能对象的快速增加，不可避免地会看到数十亿台设备连接在一起，形成大规模的物联网网络。物联网设备的快速增长导致了用户需求和网络复杂性的增加。以最佳的网络利用率和简单性从这些物联网设备收集大数据变得越来越具有挑战性。本文提出了一种面向大规模物联网的FLIP- Flexible IoT Path Programming Framework。FLIP的显著特点是它从用户需求的角度关注物联网结构，并使用SDN技术和DPI技术来有效地满足用户需求，并以自动化和分布式的方式在网络中建立数据路径。FLIP利用SDN结构，通过网内计算和自动化数据路径建立来优化网络利用率，同时隐藏网络复杂性。我们通过实验评估了我们的框架，结果表明，FLIP有潜力以自动化的方式满足用户的需求，优化网络利用率。
2019-10-18 cs.DC cs.NI
A Unified Framework for Context-Aware IoT Management and State-of-the-Art IoT Traffic Anomaly Detection
University of Notre Dame（圣母大学）
本文提出一个统一框架，将上下文驱动的大语言模型与微调异常检测模块相结合，用于物联网设备管理和流量异常检测，并通过评估验证其在真实部署中的准确性、可扩展性和适用性。
2024-12-19 cs.AI cs.NI
An In-Field Programmable Adaptive CMOS LNA for Intelligent IOT Sensor Node Applications
随着物联网（IOT）的快速发展，出现了在设计周期中促进IOT设备的开发同时在操作领域中获得优化性能的需求。本文开发了重新配置方法，使电路性能的后期适应，使RF IC在不同的物联网应用中重复使用。采用130 nm CMOS工艺设计并制作了一个自适应低噪声放大器，以研究后期重构的概念。通过表征有限数量的样本来生成将电路级重配置参数与电路性能联系起来的统计模型。该模型用于预测现场设备的性能参数。在仿真环境中以及芯片测量中获得了LNA性能参数的估计误差。
2019-04-30 cs.NI eess.SP
PatrIoT: IoT Automated Interoperability and Integration Testing Framework
随着当代物联网（IoT）市场的快速增长，已建立的系统引起了许多关于可靠性和潜在的关键集成缺陷的担忧。在本文中，我们提出了一个PatrIoT框架，旨在提供灵活的支持，以构建一个有效的物联网系统测试床，实现自动化的互操作性和集成测试。该框架允许从纯物理测试平台扩展到模拟环境，使用许多预定义的模块和元素来模拟物联网设备或部分测试基础设施。PatrIoT还包含一组参考示例测试床和几组用于智能街道用例的示例自动化测试。
2021-01-27 cs.NI cs.SE
Optimizing IoT and Web Traffic Using Selective Edge Compression
物联网（IoT）设备和应用正在生成和传送大量数据，并且数据汇集的速率正在快速增加。这些高通信量对于能量受限、数据受限的无线移动设备和联网传感器来说是一个挑战。压缩通常用于减少Web流量，节省能源，并使网络传输更快。但是，如果使用不当，压缩可能会损害性能。这项工作提出并评估机制，采用选择性压缩在网络的边缘，基于数据的特性和网络条件。这种方法（i）提高了物联网环境中网络传输的性能，同时（ii）节省了大量数据。我们证明了我们的库在固定和动态变化的网络条件下分别平均加速了2.18倍和2.03倍的网络传输。此外，它还提供一致的数据节省，将数据压缩到原始数据大小的19%。
2020-12-29 cs.NI cs.PF
Application of Machine Learning-Based Pattern Recognition in IoT Devices: Review
University of Wisconsin-Eau Claire（威斯康星大学欧克莱尔分校）
物联网（IoT）是一个快速发展的技术领域，近年来迅速变得更加广泛。随着越来越多的日常物品连接到互联网，许多不同的创新已经出现，使我们的日常生活更加简单。模式识别在物联网设备中非常普遍，因为它可以带来许多应用和好处。为了提高速度和准确性，降低复杂性，并降低物联网设备中模式识别算法的总体处理能力，已经进行了大量研究。在回顾不同机器学习算法的应用之后，结果因情况而异，但可以得出一个一般结论，即与IoT设备一起使用的最佳基于机器学习的模式识别算法是支持向量机、k-最近邻和随机森林。
2022-01-10 cs.LG cs.NI eess.SP
IoT Forensic Frameworks (DFIF, IoTDOTS,FSAIoT): A Comprehensive Study
在物联网中，数以百万计的电子产品，包括汽车、烟雾报警器、手表、眼镜、网络摄像头和其他设备，现在都连接到互联网（IoT）。除了个人在物联网领域获得的奢华和舒适，以及轻松快速地通信和获取信息的能力之外，另一个值得关注的方面是在这方面实现隐私和安全，特别是考虑到现有和新物联网设备数量的快速增长。与物联网安全相关的担忧、威胁和攻击一直被认为是一个潜在的、有问题的研究领域。这需要快速开发或创建具有物联网环境中犯罪性质的合适技术。另一方面，由于不同的位置、数据类型、使用的仪器和设备识别，刑事调查专家遇到了困难和障碍。本文对物联网的犯罪内容进行了深入的阐述。它比较了它的阶段与传统数字取证的详细阶段的相似性和差异，在处理电子犯罪中使用的框架，以及在这两种类型中使用的技术。本文介绍了数字取证领域的研究人员以前的讨论。对于物联网，这给我们带来了本文最重要的部分，这是对用于保护物联网领域通信的物联网犯罪框架的全面研究，例如数字取证调查框架（DFIF），智能环境数字取证框架（IoTDOTS），物联网取证状态获取（FSAIoT），并在其总体框架中讨论了挑战，并提供了解决方案和战略。
2022-03-24 cs.CR cs.NI
Sovereign: User-Controlled Smart Homes
近年来，灵巧家庭的快速部署;其中大多数是由云中的远程服务器控制的。这种设计引起了最终用户的安全和隐私问题。在本文中，我们描述了Sovereign的设计，Sovereign是一个家庭物联网系统框架，为最终用户提供对其家庭物联网系统的完全控制。Sovereign允许家庭物联网设备和应用程序通过应用程序命名的数据进行通信，并直接保护数据。这使得能够通过无线广播媒体进行直接、安全、一对一和一对多的设备到设备通信。Sovereign利用语义名称来构建可用的安全解决方案。我们将Sovereign作为一个基于订阅的开发平台和一个原型家庭物联网控制器来实现。我们的初步评估表明，Sovereign为在现有物联网硬件上运行的用户控制的独立灵巧家庭提供了一个系统的，易于使用的解决方案，而不会产生明显的开销。
2021-08-01 cs.CR cs.NI
eBPF-Based Real-Time DDoS Mitigation for IoT Edge Devices
针对物联网边缘设备易遭DDoS攻击且传统防御不适配的问题，提出基于eBPF与XDP的内核级轻量缓解框架，经仿真和树莓派实测，100Mbps攻击下缓解率超97%，合法流量与系统稳定不受影响。
2025-07-13 cs.CR 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
5G Networks and IoT Devices: Mitigating DDoS Attacks with Deep Learning Techniques
Al-Baha University（阿尔巴哈大学）
本文针对5G网络中物联网设备面临的DDoS攻击，应用CNN和FNN深度学习算法进行检测与缓解，在专门数据集上均达到99%的准确率，验证了深度学习在提升5G物联网安全性方面的潜力。
2023-11-12 cs.CR cs.LG cs.NI
A Low-Delay MAC for IoT Applications: Decentralized Optimal Scheduling of Queues without Explicit State Information Sharing
Boston University（波士顿大学）；Indian Institute of Science（印度科学学院）
针对物联网低延迟MAC设计，提出QZMAC协议，基于贪婪穷尽策略和POMDP最优切换规则，实现无需显式状态共享的分布式调度，仿真验证其延迟接近集中式调度器。
2023-06-20 cs.LG cs.NI math.PR
