Jove
Visualize
联系我们
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

工业物联网系统中的智能网络安全管理使用属性减少与协作深度学习启用虚假数据注入攻击检测方法.

Ibrahim Alrashdi1, Salahaldeen Duraibi2

  • 1Department of Computer Science, College of Computer and Information Sciences, Jouf University, 73211, Sakaka, Al-Jouf, Saudi Arabia.

Scientific reports
|December 14, 2025
PubMed
概括

相关概念视频

Types of Errors: Detection and Minimization01:12

Types of Errors: Detection and Minimization

9.4K
Error is the deviation of the obtained result from the true, expected value or the estimated central value. Errors are expressed in absolute or relative terms.
Absolute error in a measurement is the numerical difference from the true or central value. Relative error is the ratio between absolute error and the true or central value, expressed as a percentage.
Errors can be classified by source, magnitude, and sign. There are three types of errors: systematic, random, and gross.
Systematic or...
9.4K

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

Establishing multiple cost-effectiveness thresholds in Oman: a stakeholder-driven approach.

Health economics review·2026
Same author

SIFA: A two-stage adaptive ensemble framework for solar irradiance forecasting using a wrapper-based feature selection and chaotic manta ray optimization.

Scientific reports·2026
Same author

Detection of internet of things network attacks by hybrid deep learning (CNN-LSTM) algorithm to enhance security.

Scientific reports·2026
Same author

Utilizing deep learning models for early detection and classification of fruit diseases: towards sustainable agriculture and enhanced food quality.

Scientific reports·2026
Same author

Intelligent recognition of students' behavior for smart learning environments.

Scientific reports·2026
Same author

Methodological guidelines for Health Technology Assessment in Oman.

Journal of pharmaceutical policy and practice·2025

使用特征选择和投票分类器 (IMFDIA-FSVC) 的虚假数据注入攻击的智能管理技术有效地检测和减轻工业物联网 (IIoT) 系统中的虚假数据注入攻击 (FDIA),达到99.15%的准确性.

科学领域:

  • 网络安全 网络安全
  • 事物的工业互联网 (IIoT)
  • 机器学习 机器学习

背景情况:

  • 工业物联网 (IIoT) 系统面临着来自虚假数据注入攻击 (FDIA) 的重大安全风险.
  • 传统的安全模型难以检测FDIA,因为攻击者和数据操纵的动态性质.
  • 深度学习 (DL) 为实时的FDIA检测和个性化的安全措施提供了先进的功能.

研究的目的:

  • 为IIoT系统引入使用特征选择和投票分类器 (IMFDIA-FSVC) 技术的虚假数据注入攻击的智能管理.
  • 开发一个强大的模型来检测和减轻FDIA,确保安全可靠的IIoT操作.
  • 与现有方法相比,提高FDIA检测的准确性和效率.

主要方法:

  • 数据预处理,包括缺失值分析和规范化.
  • 使用统计和信息理论选择 (SITS) 技术进行特征选择.
  • 使用时间卷积网络 (TCN),深信网络 (DBN) 和自动编码器 (AE) 与投票分类器组合的分类.

主要成果:

  • IMFDIA-FSVC技术在检测FDIA方面表现出卓越的性能.
  • 在IIoT和FDIA数据集上实现了99.15%的准确性.
关键词:
网络安全 网络安全深度学习是一种深度学习.虚假数据注入攻击的攻击.功能选择 功能选择工业物联网的工业物联网.

相关实验视频

  • 在比较研究中表现优于现有模型.

    • 结论:

    • IMFDIA-FSVC技术为IIoT中的FDIA检测和缓解提供了有效的解决方案.
    • 拟议的方法确保了IIoT环境中的更安全,更可靠的操作.
    • 结合先进的DL模型和特征选择,可显著提高检测准确度.