Jove
Visualize
联系我们

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Design and Development Considerations of a Cyber Physical Testbed for Operational Technology Research and Education.

Sensors (Basel, Switzerland)·2024
Same author

Explainable Machine Learning for LoRaWAN Link Budget Analysis and Modeling.

Sensors (Basel, Switzerland)·2024
Same author

SenseCrypt: A Security Framework for Mobile Crowd Sensing Applications.

Sensors (Basel, Switzerland)·2020
Same author

Automatic Annotation of Unlabeled Data from Smartphone-Based Motion and Location Sensors.

Sensors (Basel, Switzerland)·2018
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jun 28, 2025

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.0K

一个适应性的时间卷积网络自编码器,用于在移动人群传感中检测恶意数据.

Nsikak Owoh1, Jackie Riley1, Moses Ashawa1

  • 1Department of Cyber Security and Networks, School of Computing, Engineering and Built Environment, Glasgow Caledonian University, Cowcaddens Road, Glasgow G4 0BA, UK.

Sensors (Basel, Switzerland)
|April 13, 2024
PubMed
概括
此摘要是机器生成的。

本研究引入了一种适应模型,用于在移动人群传感 (MCS) 系统中检测恶意数据. 基于TCN的模型在识别和减轻威胁方面达到98%的准确性,以确保数据完整性.

关键词:
自动编码器 自动编码器深度学习是一种深度学习.物联网的东西互联网.恶意数据检测 恶意数据检测移动人群感应 移动人群感应时间卷积网络 时间卷积网络

更多相关视频

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

1.4K
DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
04:17

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning

Published on: May 10, 2024

741

相关实验视频

Last Updated: Jun 28, 2025

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.0K
Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

1.4K
DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
04:17

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning

Published on: May 10, 2024

741

科学领域:

  • 计算机科学 计算机科学
  • 网络安全 网络安全
  • 数据科学数据科学数据科学

背景情况:

  • 移动人群传感 (MCS) 系统从移动设备收集数据,由于潜在的数据中毒,可能会带来安全风险.
  • 在MCS系统中的漏洞可能会损害数据完整性和可靠性.
  • 现有的检测方法可能会与不断发展的对抗策略作斗争.

研究的目的:

  • 提出一种适应性和强大的模型,用于检测MCS中的恶意传感器数据.
  • 提高移动人群传感系统的安全性和可靠性.
  • 为了减轻对收集数据的对抗性攻击的影响.

主要方法:

  • 开发了一个基于时间卷积网络 (TCN) 的模型,具有适应性学习机制.
  • 整合了持续的进化来检测新的恶意数据模式.
  • 通过使用SherLock数据集进行全面分析来评估性能.

主要成果:

  • 拟议的基于TCN的模型在检测恶意传感器数据方面表现出高效.
  • 在性能评估中获得了98%的检测准确度.
  • 成功地减轻了对MCS系统完整性的潜在威胁.

结论:

  • 适应性TCN模型显著提高了移动人群传感系统的安全性.
  • 该模型适应不断变化的威胁的能力确保了强大的数据完整性.
  • 这项研究有助于开发更可靠,更安全的群众感知应用程序.