8、智能城市场景中的机器学习应用：从DoS攻击检测到气候问题应对

智能城市场景中的机器学习应用：从DoS攻击检测到气候问题应对

1. DoS攻击检测方法研究

在MQTT环境下的DoS攻击检测中，研究测试了四种主要的监督式机器学习技术（随机森林RF、支持向量机SVM、线性判别分析LDA和朴素贝叶斯NB），并结合主成分分析（PCA）。以下是朴素贝叶斯不同类型的检测结果：
| 朴素贝叶斯类型 | 准确率 | AUC | 召回率 | 精确率 | F1分数 | 特异性 |
| — | — | — | — | — | — | — |
| Gaussian | 0.881788 | 0.75111 | 0.512985 | 0.932901 | 0.661751 | 0.989235 |
| Bernoulli | 0.887152 | 0.781918 | 0.590152 | 0.876322 | 0.698972 | 0.973683 |

从结果来看，随机森林方法在检测MQTT环境中的DoS攻击方面最为合适，其AUC指标大于99%，SVM采用多项式核时也有不错的表现。

2. 智能城市数据管理平台

随着气候变化成为全球关注的焦点，智能城市的发展对于应对这一问题至关重要。为了有效处理和分析来自不同来源的大量数据，需要一个成熟的数据管理平台。

2.1 平台架构

智能城市的创建需要遵循安全和隐私标准的成熟组件，数据的获取、处理和传播过程应遵循互操作性、一致性和重用原则。许多研究人员提出了新的架构来收集和处理智能城市中物联网设备产生的大量异构数据。其中，deepint.net平台为城市、地区和领土的数据管理需求提供了解决方案，它主要包含以下几个重要模块：