Reinforcement Learning for IoT Security: A Comprehensive Survey
Howard University（霍华德大学）
对于不同的物联网（IoT）应用，连接的智能设备数量呈指数级增长。安全性一直是物联网系统中的一个长期挑战，物联网系统具有许多攻击向量，安全缺陷和漏洞。确保物联网中数十亿B连接设备的安全是实现物联网应用全部潜力的必要任务。最近，研究人员为物联网提出了许多安全解决方案。机器学习已被提出作为物联网安全的新兴解决方案之一，强化学习在保护物联网系统方面越来越受欢迎。与其他机器学习技术不同，强化学习可以通过具有关于要学习的参数的最小信息来学习环境。它通过与环境交互来动态地调整参数来解决优化问题。在本文中，我们全面调查了针对不同物联网系统的不同类型的网络攻击，然后我们提出了强化学习和基于深度强化学习的安全解决方案，以打击不同物联网系统中的不同类型的攻击。此外，我们提出了用于保护CPS系统的强化学习（即，具有反馈和控制的物联网），如智能电网和智能交通系统。还以表格的形式总结了最近在物联网中使用强化学习B的重要攻击和对策。通过本文，读者可以更深入地了解使用强化学习的物联网安全攻击和对策，以及该领域的研究趋势。
2021-02-14 cs.AI 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
On-device edge learning for IoT data streams: a survey
GECAD；ISEP（波尔图理工学院工程学院）；Polytechnic of Porto（波尔图理工学院）；INESC TEC；FEP（波尔图大学经济学院）；University of Porto（波尔图大学）
该综述探讨了物联网数据流在设备端训练的持续学习方法，分析了神经网络与决策树的约束、挑战及多标准评估，强调构建自主在线系统的关键难点。
2025-02-25 cs.LG
A Survey on Cross-Architectural IoT Malware Threat Hunting
Simon Fraser University（西蒙菲莎大学）；Huawei Technologies Canada Company Ltd.（华为技术加拿大有限公司）
该综述梳理了跨架构IoT恶意软件检测与分类的最新进展，分析相关特征技术与机器学习模型，指出实际挑战及未来研究方向。
2023-06-09 cs.CR cs.LG
Orchestrating the Development Lifecycle of Machine Learning-Based IoT Applications: A Taxonomy and Survey
Newcastle University（纽卡斯尔大学）；University of Leeds（利兹大学）；The University of Sydney（悉尼大学）；Cardiff University（卡迪夫大学）；China University of Geoscience (Wuhan)（中国地质大学（武汉））
机器学习（ML）和物联网（IoT）是互补的进步：ML技术通过智能释放物联网的全部潜力，物联网应用越来越多地将传感器收集的数据输入ML模型，从而利用结果来改进其业务流程和服务。因此，编排包含模型训练和物联网应用程序整体开发生命周期中涉及的含义的ML管道通常会导致复杂的系统集成。本文对基于ML的物联网应用的开发生命周期进行了全面而系统的调查。我们概述了核心路线图和分类，并随后评估和比较现有的标准技术中使用的各个阶段。
2020-05-29 cs.DC cs.LG cs.NI
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
Federated Learning in IoT: a Survey from a Resource-Constrained Perspective
本文从客户端和服务器双视角综述资源受限物联网环境下联邦学习的部署挑战与对应方案，按应用位置分类并评估效果，同时提出新的评估指标以支撑相关研究。
2023-08-25 cs.DC cs.LG
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
Neural Networks for Keyword Spotting on IoT Devices
Dublin City University（都柏林城市大学）
我们探索神经网络（NN）在物联网设备（如智能扬声器和可穿戴设备）上的关键字定位（KWS）。由于我们的目标是在有限的内存和计算空间上执行NN，因此我们提出了一种CNN设计，(i)使用有限数量的乘法。(ii)使用有限数量的模型参数。
2021-01-03 cs.AI cs.LG
Deep Learning Approaches for Network Traffic Classification in the Internet of Things (IoT): A Survey
Mehran University of Engineering and Technology（梅赫兰工程与技术大学）
本综述系统梳理了面向物联网环境的深度学习网络流量分类方法，分析了各类模型的优劣与挑战，并指出了未来研究方向。
2024-02-01 cs.CR cs.LG cs.NI
Towards Efficiently Evaluating the Robustness of Deep Neural Networks in IoT Systems: A GAN-based Method
Nanyang Technological University（南洋理工大学）；Huazhong University of Science and Technology（华中科技大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
基于深度神经网络（DNN）的智能物联网（IoT）系统已经广泛部署在现实世界中。然而，DNN被发现容易受到对抗性示例的影响，这引发了人们对智能物联网系统可靠性和安全性的担忧。测试和评估物联网系统的鲁棒性变得必要和必要。近年来，各种攻击和策略被提出，但效率问题仍然没有得到很好的解决。现有的方法要么计算量大，要么耗时，这是不适用于实际。在本文中，我们提出了一个新的框架称为攻击启发GAN（AI-GAN）生成对抗性的例子有条件。一旦经过训练，它可以在给定输入图像和目标类别的情况下有效地生成对抗性扰动。我们将AI-GAN应用于白盒设置、黑盒设置和受最先进防御保护的目标模型中的不同数据集。通过大量的实验，AI-GAN实现了高攻击成功率，优于现有方法，并显着减少了生成时间。此外，AI-GAN首次成功地扩展到复杂的数据集，例如CIFAR-100和ImageNet，所有类别的成功率约为$90\%$。
2021-11-19 cs.LG
Machine Learning for the Detection and Identification of Internet of Things (IoT) Devices: A Survey
Shenzhen University（深圳大学）；Embry-Riddle Aeronautical University（安柏瑞德航空大学）
物联网（IoT）正在成为日常生活中不可或缺的一部分，支持各种新兴服务和应用。然而，流氓物联网设备的存在使物联网面临着巨大的风险，并带来了严重的后果。保护物联网的第一步是检测流氓物联网设备并识别合法设备。常规方法使用密码机制来认证和验证合法设备的身份。然而，密码协议在许多系统中不可用。同时，当合法设备可以被利用或加密密钥被公开时，这些方法不太有效。因此，非加密物联网设备识别和流氓设备检测成为保护现有系统的有效解决方案，并将为具有加密协议的系统提供额外的保护。非加密方法需要更多的努力，尚未得到充分的研究。在本文中，我们提供了一个全面的调查机器学习技术，用于识别物联网设备，以及从被动监视代理或网络运营商的角度检测受损或伪造的设备。我们将物联网设备识别和检测分为四类：特定于设备的模式识别、支持深度学习的设备识别、无监督设备识别和异常设备检测。同时，我们讨论了各种ML相关的使能技术，为此目的。这些使能技术包括学习算法、网络流量跟踪和无线信号的特征工程、持续学习和异常检测。
2021-01-25 cs.AI cs.CR cs.LG
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
Deep Learning for IoT Big Data and Streaming Analytics: A Survey
Western Michigan University（西密歇根大学）；University of Idaho（爱达荷大学）
在物联网（IoT）时代，大量的传感设备随着时间的推移为广泛的领域和应用收集和/或生成各种传感数据。根据应用程序的性质，这些设备将产生大的或快速/实时的数据流。对这些数据流应用分析来发现新信息、预测未来见解并做出控制决策是一个至关重要的过程，这使得物联网成为企业的一个有价值的范例和改善生活质量的技术。在本文中，我们提供了一个全面的概述，使用一类先进的机器学习技术，即深度学习（DL），以促进物联网领域的分析和学习。我们首先阐述物联网数据的特征，并从机器学习的角度确定物联网数据的两种主要处理方法，即物联网大数据分析和物联网流数据分析。我们还讨论了为什么DL是在这些类型的数据和应用程序中实现所需分析的有前途的方法。然后讨论了使用新兴DL技术进行物联网数据分析的潜力，并介绍了其承诺和挑战。我们提出了一个全面的背景不同的DL架构和算法。我们还分析和总结了在物联网领域利用DL的主要研究尝试。还讨论了将DL纳入其智能背景的智能物联网设备。还调查了支持物联网应用的雾和云中心的DL实现方法。最后，我们阐明了未来研究的一些挑战和潜在方向。在每一节的最后，我们强调了我们的实验和最近的文献回顾的基础上吸取的教训。
2018-06-05 cs.DB cs.LG cs.NI
Enhancing Neural Architecture Search with Multiple Hardware Constraints for Deep Learning Model Deployment on Tiny IoT Devices
Politecnico di Torino（都灵理工大学）；University of Bologna（博洛尼亚大学）；ETH Zürich（苏黎世联邦理工学院）
针对物联网设备部署，提出一种将内存和延迟等多约束融入可微分NAS的方法，单次搜索即可生成满足约束的模型，在五个基准上实现内存和延迟分别降低87.4%和54.2%，且精度不降。
2023-10-11 cs.LG
A Survey of Foundation Models for IoT: Taxonomy and Criteria-Based Analysis
Adobe Research（Adobe研究院）；Augusta University（奥古斯塔大学）
本综述围绕效率、上下文感知、安全及隐私四个目标，系统分类并分析物联网基础模型方法，提供跨域比较与设计指导。
2025-10-09 cs.AI cs.LG cs.SY
Recommender Systems for the Internet of Things: A Survey
The University of New South Wales（新南威尔士大学）；University of Technology, Sydney（悉尼科技大学）；Macquarie University（麦考瑞大学）
该建议代表了开发和促进物联网（IoT）利益的重要阶段。传统的推荐系统无法利用不断增长的、动态的和异构的物联网数据。本文全面回顾了最先进的推荐系统，以及相关技术和应用在充满活力的物联网领域。我们讨论了将推荐系统应用于物联网的几个局限性，并提出了一个参考框架，用于比较现有的研究，以指导未来的研究和实践。
2020-07-14 cs.IR cs.LG stat.ML
Ternary Hybrid Neural-Tree Networks for Highly Constrained IoT Applications
Arm ML Research Lab（安谋机器学习研究实验室）
基于机器学习的应用在物联网设备中越来越普遍。这些设备的功率和存储限制使得运行现代神经网络特别具有挑战性，限制了可以在物联网系统上部署的新应用程序的数量。已经提出了许多压缩技术，每种都有自己的权衡。我们提出了一个混合网络，结合了目前的神经和树为基础的学习技术的优势，结合三进制量化，并显示相关的模型设计空间的详细分析。使用这种混合模型，我们获得了11.1%的计算量减少，模型大小减少52.2%，并在一个国家的最先进的关键字定位神经网络，在整体内存占用减少30.6%，在准确性可以忽略不计的损失。
2019-03-04 cs.LG stat.ML
Machine Learning for Wireless Communications in the Internet of Things: A Comprehensive Survey
ANDRO Computational Solutions, LLC（ANDRO计算解决方案有限责任公司）；Northeastern University（东北大学）
物联网（IoT）预计需要比以往任何时候都更有效、更高效的无线通信。因此，频谱共享、动态频谱接入、信号智能提取和优化路由等技术将很快成为物联网无线通信范式的重要组成部分。考虑到物联网的大部分将由微型、移动和能量受限的设备组成，基于先验网络优化的传统技术可能不适合，因为（i）在实际场景中可能不容易获得准确的环境模型;（ii）传统优化技术的计算要求可能证明物联网设备无法承受。为了解决上述挑战，许多研究致力于探索使用机器学习来解决IoT无线通信领域中的问题。这项工作提供了一个全面的调查，最先进的机器学习技术的应用，以解决物联网无线通信中的关键问题，重点是它的ad hoc网络方面。首先，我们提出了广泛的背景概念的机器学习技术。然后，通过采用自下而上的方法，我们在协议栈的物理层、数据链路层和网络层研究了物联网机器学习的现有工作。此后，我们讨论了社会对硬件实现，以确保这些技术的可行性所采取的方向。此外，在结束之前，我们还简要讨论了机器学习在无线通信之外的物联网中的应用。最后，每一次讨论都详细分析了相关的未决问题和挑战。
2019-07-18 cs.LG cs.NI
Privacy-Preserving Machine Learning for IoT: A Cross-Paradigm Survey and Future Roadmap
School of CSE, University of NSW（新南威尔士大学计算机科学与工程学院）
本文综述了物联网中隐私保护机器学习的跨范式方法，分析了隐私保障、计算复杂度、异构设备参与下的可扩展性及威胁抵御能力，并探讨了无线物联网环境中的部署限制与开放挑战。
2026-03-30 cs.CR cs.LG
Deploy Large-Scale Deep Neural Networks in Resource Constrained IoT Devices with Local Quantization Region
Intel Corporation（英特尔公司）
在低成本物联网设备上实现具有高计算复杂性的大规模深度神经网络可能不可避免地受到有限计算资源的约束，使得设备难以实时响应。这种分离使得最先进的深度学习算法，即CNN（卷积神经网络）与物联网世界不兼容。我们提出了一个低比特（范围从8位到1位）的方案与我们的局部量化区域算法。我们使用Caffe模型动物园中的模型作为我们的示例任务来评估我们的低精度数据表示方案的效果。通过引入局部量化区域，我们发现在这些方案之上的实现可以在降低计算复杂性的同时，极大地保持模型精度。例如，我们的8位方案在英特尔Edison物联网平台上的前1和前5精度上没有下降，速度提高了2倍。基于我们的4位、2位或1位方案的实现方式也适用于具有低计算复杂性优势的IoT设备。例如，当使用2位方案时，我们的任务的下降仅为0.7%，该方案可以大大节省晶体管。在这里使用低位方案为进一步优化商品物联网控制器打开了一扇新的大门，即可以通过用拟议的表查找操作取代乘法累加操作来实现额外的速度提升。整个研究为缓解将先进的深度学习算法引入资源受限的低成本物联网设备的挑战提供了一种新的方法。
2018-05-24 cs.LG stat.ML
Generative AI-Driven Human Digital Twin in IoT-Healthcare: A Comprehensive Survey
College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大学计算机科学与技术学院）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）；School of Automation, Guangdong University of Technology（广东工业大学自动化学院）
本综述探讨了生成式人工智能（GAI）驱动的人类数字孪生（HDT）在物联网医疗中的实现，提出了总体框架并详细分析了数据获取、通信、建模等关键技术，展示了其在个性化监测、诊断、处方及康复等应用中的潜力。
2024-06-28 cs.AI cs.HC 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
A Survey of Human Activity Recognition in Smart Homes Based on IoT Sensors Algorithms: Taxonomies, Challenges, and Opportunities with Deep Learning
IMT Atlantique（IMT大西洋学院）；Delta Dore company（Delta Dore公司）
物联网（IoT）技术的最新进展和传感器成本的降低鼓励了智能环境（例如灵巧家庭）的发展。灵巧家庭可以提供家庭辅助服务，以改善其居民的生活质量，自主性和健康，特别是对老年人和受抚养人。为了提供这样的服务，灵巧家庭必须能够了解其居民的日常活动。在灵巧家庭中识别人类活动的技术每天都在进步。但新的挑战每天都在出现。在本文中，我们提出了最近的算法，作品，挑战和分类领域的人类活动识别在灵巧家庭通过环境传感器。此外，由于灵巧家庭中的活动识别是一个年轻的领域，我们提出了具体的问题，缺少和需要的贡献。而且还提出了方向，研究机会和解决方案，以加速这一领域的进步。
2021-10-18 cs.AI cs.HC cs.LG
Searching Neural Architectures for Sensor Nodes on IoT Gateways
University of Genoa（基因瓦大学）
提出一种在物联网网关上自动设计神经网络的方法，保护数据隐私，在Raspberry Pi Zero 2上10小时内搜索出达到SOTA的架构。
2026-06-17 cs.LG cs.NI
Distill-Net: Application-Specific Distillation of Deep Convolutional Neural Networks for Resource-Constrained IoT Platforms
University of California, Davis（加州大学戴维斯分校）
许多物联网（IoT）应用需要快速准确地了解周围环境中的一些关键事件。深度卷积神经网络（CNN）已经成为理解语音、图像和类似的高维数据类型的有效方法。然而，现代CNN的性能从根本上依赖于学习与类别无关的分层特征，这些特征只存在于具有许多类别的综合训练数据集中。因此，使用在这些数据集上训练的CNN进行快速推理对于大多数资源受限的物联网平台来说是禁止的。为了弥合这一差距，我们提出了一种原则性和实用的方法，用于提取复杂的现代CNN，该方法经过训练，可以有效地识别许多不同类别的输入数据，并将其转换为依赖于应用程序的基本核心，不仅可以准确识别应用程序感兴趣的少数类别，而且可以在资源有限的平台上高效运行。实验结果证实，我们的方法取得了良好的平衡之间的分类精度（应用约束），推理效率（平台约束），和生产性的新应用程序的开发（业务约束）。
2018-12-16 cs.CV cs.LG stat.ML
Real-Time Bus Departure Prediction Using Neural Networks for Smart IoT Public Bus Transit
The University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
针对公交发车不准时问题，本文提出基于全连接神经网络的实时预测方法，利用历史数据预测后续站点发车时间，在波士顿151条线路上将偏差预测精度提升至80秒内，助力智能物联网公交系统。
2025-01-17 cs.AI cs.LG
Hetero-SplitEE: Split Learning of Neural Networks with Early Exits for Heterogeneous IoT Devices
The University of Tokyo（东京大学）
Hetero-SplitEE通过引入异构早期退出和协作训练策略，实现异构物联网设备的高效协同神经网络训练。
2025-12-10 cs.AI cs.LG
LPUF-AuthNet: A Lightweight PUF-Based IoT Authentication via Tandem Neural Networks and Split Learning
Khalifa University（哈利法大学）；Technology Innovation Institute（技术创新研究院）；Carleton University（卡尔顿大学）
本文提出了一种名为LPUF-AuthNet的轻量级PUF物联网认证机制，通过结合串联神经网络（TNN）与拆分学习（SL）范式，在资源受限的设备上实现可扩展的相互认证并有效抵御机器学习攻击，为未来6G技术的安全集成铺平道路。
2024-10-16 cs.CR cs.LG cs.NI
Neural Network-based OFDM Receiver for Resource Constrained IoT Devices
Northeastern University（东北大学）
基于正交频分复用（OFDM）的波形用于许多当前和新兴物联网（IoT）应用（包括最新的WiFi标准）中的通信链路。对于这样的基于OFDM的收发机，与信道估计、解映射和解码相关的许多核心物理层功能被实现用于信道类型和调制方案等的特定选择。为了将硬连线选择与接收器链解耦，从而在不改变底层硬件的情况下增强许多新场景中物联网部署的灵活性，我们探索了一种新颖的基于模块化机器学习（ML）的接收器链设计。这里，ML块代替OFDM接收机的各个处理块，并且我们具体描述了传统信道估计、符号解映射和具有神经网络（NN）的解码块的这种交换。这种模块化设计的一个独特之处是为传统或ML块提供灵活的处理功能分配，允许它们互换共存。此外，我们通过修剪和量化，以及在现场可编程门阵列（FPGA）中仿真这些压缩的NN，研究了在资源受限的物联网设备中所提出的NN的实现成本效益。我们的评估表明，提出的模块化基于NN的接收机提高误比特率的传统非ML接收机的平均61%和10%的模拟和空中数据集，分别。我们进一步展示了复杂性和性能的权衡，传统算法和建议的压缩神经网络之间的计算复杂度比较。
2022-05-12 cs.LG eess.SP
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
Real-time Analysis of Privacy-(un)aware IoT Applications
Purdue University（普渡大学）；Penn State University（宾夕法尼亚州立大学）
用户信任物联网应用程序来控制和自动化他们的智能设备。这些应用程序必须访问敏感数据才能实现其功能。然而，用户对他们的敏感数据是如何被使用（或泄露）缺乏可见性，他们经常盲目地信任应用程序开发人员。在本文中，我们介绍了IoTWatcH，这是一种新颖的动态分析工具，可以实时的【形】揭示物联网应用程序的隐私风险。我们根据物联网隐私调查设计和构建了IoTWatcH，该调查考虑了物联网用户的隐私需求。IoTWatcH为用户提供了一个简单的界面，可以通过物联网应用指定他们的隐私偏好。然后，在运行时，它使用自然语言处理（NLP）技术分析物联网应用发送的数据及其接收者。此外，IoTWatcH还将其发现告知用户，让他们意识到物联网应用程序的隐私风险。我们在真实的物联网应用程序上实施了IoTWatcH。具体来说，我们分析了540个物联网应用程序来训练NLP模型并评估其有效性。IoTWatcH成功地对发送给外部方的物联网应用数据进行分类，以纠正隐私标签，平均准确率为94.25%，并标记将隐私数据泄露给未经授权方的物联网应用。最后，IoTWatcH对IoT应用程序的执行产生最小的开销，平均105 ms的额外延迟。
2019-11-24 cs.CR cs.LG
Challenges of Privacy-Preserving Machine Learning in IoT
Nanyang Technological University（南洋理工大学）；Zhejiang University（浙江大学）
物联网（IoT）将成为实现更好系统智能的主要数据生成基础设施。然而，物联网中广泛的数据汇集和处理也产生了各种隐私问题。本文提供了一个分类的现有的隐私保护机器学习方法开发的背景下，云计算，并讨论了将它们应用在物联网的背景下的挑战。此外，我们提出了一种保护隐私的推理方法，该方法在物联网对象处运行轻量级神经网络以在传输之前混淆数据，并在云中运行深层神经网络以对混淆的数据进行分类。基于MNIST数据集的评估显示出令人满意的性能。
2019-09-21 cs.CR cs.LG stat.ML
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
Empowering Things with Intelligence: A Survey of the Progress, Challenges, and Opportunities in Artificial Intelligence of Things
The University of Sydney（悉尼大学）
在物联网（IoT）时代，数十亿传感器和设备从环境中收集和处理数据，将其传输到云中心，并通过互联网接收反馈，以实现连接和感知。然而，传输大量异构数据，从这些数据中感知复杂的环境，然后及时做出明智的决策是困难的。人工智能（AI），特别是深度学习，现在已经在包括计算机视觉、语音识别和自然语言处理在内的各个领域取得了成功。AI引入物联网预示着物联网人工智能（AIoT）时代的到来。本文对AIoT进行了全面的调查，以展示AI如何使物联网变得更快、更智能、更环保、更安全。具体来说，我们简要介绍了云计算、雾计算和边缘计算背景下的AIoT架构。然后，我们从四个方面介绍了物联网人工智能研究的进展：感知，学习，推理和行为。接下来，我们总结了AIoT的一些有前途的应用，这些应用可能会深刻地重塑我们的世界。最后，我们强调了AIoT面临的挑战和一些潜在的研究机会。
2020-11-17 cs.AI cs.CV cs.LG
Analyzing Consumer IoT Traffic from Security and Privacy Perspectives: a Comprehensive Survey
Key Laboratory of Data and Intelligent System Security, Ministry of Education, China (DISSec)（数据与智能系统安全重点实验室，教育部，中国（DISSec））；Tianjin Key Laboratory of Network and Data Security Technology (NDST)（天津网络与数据安全技术重点实验室（NDST））；College of Cryptology and Cyber Science, Nankai University（密码与网络安全科学学院，南开大学）；DISSec；NDST；College of Computer Science, Nankai University（计算机科学学院，南开大学）；School of Computer Science and Technology, Hangzhou Dianzi University（计算机科学与技术学院，杭州电子科技大学）
本文综述2018年1月至2024年6月的310篇文献，梳理CIoT流量分析流程，按设备指纹、活动推断、恶意流量检测和测量四类归纳研究，并指出未来安全隐私方向。
2025-05-14 cs.AI cs.CR cs.LG
Distributed Deep Convolutional Neural Networks for the Internet-of-Things
Politecnico di Milano（米兰理工大学）
表征物联网（IoT）单元的存储器和计算的严格约束可能会阻止基于深度学习（DL）的解决方案的执行，这通常需要大存储器和高处理负载。为了支持在物联网单元级别实时执行所考虑的DL模型，DL解决方案的设计必须考虑到所选物联网技术所暴露的内存和处理能力的限制。在本文中，我们介绍了一种设计方法，旨在分布式物联网应用上分配卷积神经网络（CNN）的执行。这种方法被形式化为一个优化问题，其中数据收集阶段和随后的决策阶段之间的延迟被最小化，在给定的限制内存和处理负载的单元级。该方法支持多个数据源以及在同一物联网系统上执行的多个CNN，从而允许设计要求自治、低决策延迟和高服务质量的基于CNN的应用程序。
2021-07-28 cs.DC cs.LG stat.ML
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
The Internet of Things as a Deep Neural Network
物联网（IoT）中的一项重要任务是现场监控，其中多个IoT节点进行测量并将其传输到基站或云端进行处理，推断和分析。当测量是高维的（例如，视频或时间序列数据）。具有有限带宽和低功率设备的IoT网络可能无法支持具有高数据率的此类频繁传输。为了确保通信效率，本文提出将物联网节点的测量压缩和基站或云端的推理建模为深度神经网络（DNN）。我们提出了一个新的框架，其中从节点传输的数据是DNN层的中间输出。我们展示了如何学习DNN的模型参数，并研究了通信速率和推理精度之间的权衡。实验结果表明，我们可以节省约96%的传输，只有2.5%的推理精度下降。我们的发现有可能使许多新的物联网数据分析应用程序生成大量的测量。
2020-03-23 cs.LG cs.NI stat.ML
Machine learning for Internet of Things data analysis: A survey
University of Isfahan（伊斯法罕大学）；Kno.e.sis - Wright State University（赖特州立大学Kno.e.sis实验室）；Technische Universität München（慕尼黑工业大学）；University of Surrey（萨里大学）
硬件、软件和通信技术的快速发展使得互联网连接的传感设备得以出现，这些设备可以从物理世界进行观察和数据测量。据估计，到2020年，正在使用的互联网连接设备总数将在250亿至500亿之间。随着数字的增长和技术的成熟，发布的数据量将增加。被称为物联网（IoT）的互联网连接设备技术通过提供物理和网络世界之间的连接和交互来继续扩展当前的互联网。除了数量增加外，物联网还生成大数据，其特征在于时间和位置依赖性方面的速度，具有多种多样的模式和不同的数据质量。对这些大数据的智能处理和分析是开发智能物联网应用的关键。本文通过将智慧城市作为主要用例，评估了应对物联网数据挑战的不同机器学习方法。本研究的主要贡献是介绍了机器学习算法的分类，解释了如何将不同的技术应用于数据，以提取更高层次的信息。还将讨论机器学习在物联网数据分析方面的潜力和挑战。一个应用支持向量机（SVM）的奥胡斯智慧城市交通数据的用例，提出了一个更详细的探索。
2018-02-17 cs.CY cs.DC cs.LG
Serdab: An IoT Framework for Partitioning Neural Networks Computation across Multiple Enclaves
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
深度神经网络（DNN）和边缘计算的最新进展使得通过分层集群自动分析来自家庭/安全摄像头的视频流成为可能，这些集群包括靠近视频源的边缘设备以及远程云计算资源。然而，在用户的敏感数据通过不同设备时，保护其隐私和机密性仍然是大多数用户关注的问题。私有用户数据容易受到恶意攻击者的攻击或内部管理员的滥用，这些管理员可能会在未经用户明确批准的活动中使用这些数据。为了应对这一挑战，我们提出了Serdab，这是一个分布式编排框架，用于在多个安全飞地（例如，英特尔SGX）。安全飞地为部署在其中的数据/代码的隐私提供了保证。然而，它们有限的硬件资源使它们在单独运行整个深度神经网络时效率低下。为了弥合这一差距，Serdab提出了一种DNN分区策略，将神经网络的层分布在多个飞地设备或飞地设备和其他硬件加速器上。与在一个飞地中执行整个神经网络相比，我们的分区策略实现了高达4.7倍的加速比。
2020-05-12 cs.CR cs.DC cs.LG
Ubiquitous Acoustic Sensing on Commodity IoT Devices: A Survey
College of Life Science and Technology, Huazhong University of Science and Technology（华中科技大学生命科学与技术学院）；Department of Computing and Software, McMaster University（麦克马斯特大学计算与软件系）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）
随着物联网设备的普及，近年来声学传感引起了人们的广泛关注。它利用声学收发器，如麦克风和扬声器，超越其主要功能，即录音和播放，以实现新的应用和新的用户体验。在本文中，我们提出了第一个系统的调查，最近的进展，主动声传感使用商品硬件的频率范围低于24~ 1！千赫兹。我们提出了一个总体框架，分类声学传感系统的主要组成部分。该框架包括三个层次，即，物理层、核心技术层和应用层。物理层包括基本的硬件组件、声学平台以及空中和结构传播的信道特性。核心技术层包括生成声学信号（波形）和从接收信号中提取有用的时间、空间和频谱信息的关键机制。应用层建立在核心技术提供的功能之上，以实现不同的声学传感应用。我们强调了由于物理设备和声学通道的限制而带来的独特挑战，以及如何通过核心处理技术和特定于应用的解决方案来缓解或克服这些挑战。最后，研究机会和未来的方向进行了讨论，以促进进一步深入的研究声传感。
2021-08-12 cs.HC cs.LG cs.SD
An improved LogNNet classifier for IoT application
Damghan University（达姆甘大学）；Petrozavodsk State University（彼得罗扎沃茨克国立大学）
在神经网络和物联网（IoT）的时代，寻找能够在具有有限计算能力和小存储器大小的设备上操作的新的神经网络架构正在成为紧迫的议程。为物联网应用设计合适的算法是一项重要任务。提出了一种前馈LogNNet神经网络，该网络采用半线性Henon型离散混沌映射对MNIST-10数据集进行分类。该模型由水库部分和可训练分类器组成。水库部分的目的是转换的输入，以最大限度地提高分类精度，使用一个特殊的矩阵填充方法和混沌映射产生的时间序列。采用带随机移民的粒子群优化算法对混沌映射的参数进行优化。因此，与LogNNet的原始版本相比，所提出的LogNNet/Henon分类器具有更高的准确性和相同的RAM使用率，并为物联网设备的实现提供了有希望的机会。此外，熵值和分类精度之间的直接关系被证明。
2022-01-13 cs.CV cs.LG cs.NE
