25、物联网入侵检测与隐私保护机器学习训练方法解析

物联网入侵检测与隐私保护机器学习训练方法解析

物联网入侵检测系统现状

物联网（IoT）因其互操作性机制，传统安全措施难以适用。尽管在数据认证、保密性和访问控制等方面，物联网安全有所改善，但安全问题依旧存在。即便为消费者开发了端点保护，仍需新的组件来保护物联网隐私。入侵检测系统（IDS）已应用于无线网络，通过增强其在无线网络中的特性，可保护物联网网络免受攻击和其他漏洞的影响。

相关研究工作中，不同学者提出了多种基于不同技术的入侵检测方法：
|研究人员|方法|特点|
| ---- | ---- | ---- |
|Morfino和Rampone|基于射频（RF）和Apache Spark的即时系统|仅考虑准确性评估性能，忽略错误率|
|Ahanger等人|基于边缘计算的即时系统|与全功能生产系统相比，内存和处理能力使用少|
|Latah和Toker|开发软件定义网络（SDN）控制器以提高异常入侵检测精度|聚类算法DT在SDN控制器模型中最准确|
|Ingre和Yadav|在人工神经网络（ANN）中引入Levenberg–Marquardt（LM）和BFGS拟牛顿训练算法|通过监督分类学习提高精度和检测率|
|Chabathula等人|使用多种机器学习算法的IDS系统投票过程|主成分分析（PCA）最可靠|
|de Almeida Florencio等人|在Arduino上使用多层感知器神经网络（MLP NN）的IDS|使用非专门针对物联网设备的数据库，且用数据集而非实际网络流量研究|
|Callegari等人|使用原始流量数据的即时系统|需更好的预处理，使用测试数据集而非实际网络流量|
|Rajadurai和