Search research articles

Search research articles

相关实验视频

Updated: Jul 5, 2026

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

Published on: December 15, 2023

CyberDetect MLP是一个大数据实现的优化深度学习框架,用于在物联网环境中可扩展的网络攻击检测.

Talluri Upender¹, M Neelakantappa², C Prakasa Rao³

¹Department of Computer Science and Engineering, CMR College of Engineering & Technology, Hyderabad, Telangana, India. talluri.upender@gmail.com.

Scientific reports

|November 19, 2025

概括

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

Comment on "explainable electronic medical record-based machine learning to predict 1-year incident protein-energy wasting in non-dialysis chronic kidney disease: A single-center development study".

Clinical nutrition ESPEN·2026

Same author

SLA aware deep reinforcement learning for adaptive EdgeCloud task scheduling.

Scientific reports·2026

Same author

BugPrioritizeAI for multimodal test case prioritisation using bug reports, code changes, and test metadata.

Scientific reports·2025

Same author

Enhanced effective convolutional attention network with squeeze-and-excitation inception module for multi-label clinical document classification.

Scientific reports·2025

Same author

Intelligent wearable-assisted digital healthcare industry 5.0.

Artificial intelligence in medicine·2024

Same author

AI and Blockchain-Based Secure Data Dissemination Architecture for IoT-Enabled Critical Infrastructure.

Sensors (Basel, Switzerland)·2023

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 Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

CyberDetect-MLP提供了一个可扩展,可解释的深度学习框架,用于检测物联网 (IoT) 网络攻击. 它实现了高精度,解决了大数据环境中传统系统的局限性.

科学领域:

网络安全网络安全
机器学习机器学习
大数据分析大数据分析

背景情况:

物联网 (IoT) 生态系统的扩散产生了大量的多维数据,为网络威胁创造了重要的攻击表面.
传统的入侵检测系统 (IDS) 和许多机器学习 (ML) 模型在可扩展性,可解释性和高维数据流方面扎,限制了它们在大规模物联网应用中的有效性.

研究的目的:

提出CyberDetect-MLP,一个可扩展,可解释,大数据支持和优化的深度学习框架,用于物联网网络攻击检测.
解决现有的IDS和ML模型在处理物联网安全复杂性的局限性.

主要方法:

使用Apache Spark进行分布式数据摄入和预处理.
实现基于相互信息的特征选择.
采用多层感知子 (MLP) 进行批量规范化,脱落和共弦化调度.
集成了一个可选的可解释AI (XAI) 模块,使用Grad-CAM和SHAP进行透明化.

主要成果:

在TON_IoT数据集上,CyberDetect-MLP实现了98.87%的准确性和99.10%的ROC-AUC,超过了Random Forest,XGBoost和香草MLP等基线模型.
废除研究和可解释性评估证实了该框架的稳定性和可信度.

关键词:

大数据分析大数据分析网络攻击检测和检测深度学习是一种深度学习.侵入检测系统的入侵检测系统物联网安全物联网安全物联网安全

相关实验视频

Last Updated: Jul 5, 2026

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

Published on: December 15, 2023

结论:

拟议的CyberDetect-MLP框架有效地弥合了大数据分析和网络安全的可解释深度学习之间的差距.
它提供了一个端到端的IDS解决方案,适用于智能城市,工业物联网和关键基础设施的实时应用.
该框架的公开可用性促进了物联网安全研究的可复制性和透明度.