23、物联网攻击检测与脑肿瘤检测技术综述

物联网攻击检测与脑肿瘤检测技术综述

物联网攻击检测中的监督机器学习算法应用

在物联网网络攻击检测领域，研究人员运用了多种监督机器学习算法，旨在有效识别恶意流量。这些算法包括逻辑回归、K近邻（KNN）、线性支持向量机（SVM）、带不同核函数的SVM、随机梯度下降（SGD）结合不同损失函数的SVM和逻辑回归、高斯朴素贝叶斯、伯努利朴素贝叶斯、决策树、随机森林以及多层感知器（MLP）分类器。

1. 各算法参数设置

   • 逻辑回归 ：在数据集上实现逻辑回归时，设置最大迭代次数为100，使用L2范数进行正则化，并采用Broyden - Fletcher - Goldfarb - Shanno（BFGS）优化算法。
   • KNN ：在给定数据集上为不同的K值实现KNN分类器。通过观察发现，KNN算法的准确率随K值增加而提高，但当K > 10时，准确率趋于饱和，因此选择K值为10。使用闵可夫斯基距离来查找新数据点的K近邻。
   • SVM ：对于所有核类型的SVM，都使用L2进行正则化。线性SVM的最大迭代次数设置为10,000，核系数为1/N（N为数据集中的总特征数）。多项式核类型的次数选择为3。
   • SGD ：使用SGD实现逻辑回归和线性SVM时，采用了多种损失函数，如hinge、log、Huber和修改后的Huber。模拟过程中，最大迭代次数设置为10,000，α = 0.1（α是乘以正则化项以控制