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

Updated: Jun 29, 2026

Superior Auto-Identification of Trypanosome Parasites by Using a Hybrid Deep-Learning Model
08:20

Superior Auto-Identification of Trypanosome Parasites by Using a Hybrid Deep-Learning Model

Published on: October 27, 2023

联合学习和基于数据挖掘的尸网络攻击检测框架用于物联网.

Kalupahana Liyanage Kushan Sudheera1, Lokuge Lehele Gedara Madhuwantha Priyashan1, Oruthota Arachchige Sanduni Pavithra1

  • 1Department of Electrical and Information Engineering, Faculty of Engineering, University of Ruhuna, Galle 80000, Sri Lanka.

Sensors (Basel, Switzerland)
|March 14, 2026
PubMed
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

A Novel Cooperative AI-Based Fall Risk Prediction Model for Older Adults.

Sensors (Basel, Switzerland)·2025
Same author

Facial Anti-Spoofing Using "Clue Maps".

Sensors (Basel, Switzerland)·2024
Same author

Bio-Inspired Energy-Efficient Cluster-Based Routing Protocol for the IoT in Disaster Scenarios.

Sensors (Basel, Switzerland)·2024
Same author

Optimizing Wireless Connectivity: A Deep Neural Network-Based Handover Approach for Hybrid LiFi and WiFi Networks.

Sensors (Basel, Switzerland)·2024
Same author

An Adaptive Traffic-Flow Management System with a Cooperative Transitional Maneuver for Vehicular Platoons.

Sensors (Basel, Switzerland)·2023
Same author

An Optimization Framework for Data Collection in Software Defined Vehicular Networks.

Sensors (Basel, Switzerland)·2023

本研究介绍了FDA,这是一个联合学习框架,用于检测物联网 (IoT) 网络中的多阶段尸网络攻击. 它可以在分布式环境中协同检测不断变化的威胁,从而保护隐私.

科学领域:

  • 网络安全 网络安全
  • 网络安全 网络安全
  • 机器学习 机器学习

背景情况:

  • 物联网 (IoT) 环境面临着复杂的,多阶段的尸网络攻击.
  • 集中式检测方法在分布式物联网网络中与数据异质性,不平衡,可扩展性和隐私问题作斗争.

研究的目的:

  • 提出FDA,一个基于学习和数据挖掘的联合框架,用于在物联网网络中进行阶段意识的尸网络攻击检测.
  • 为了实现保护隐私,在分布式物联网网络上共同检测不断发展的尸网络攻击模式.

主要方法:

  • 美国食品和药物管理局利用网络网关的联合学习和数据挖掘来检测异常.
  • 频繁项目集挖掘 (FIM) 将异常流量抽象化为紧的,可解释的模式.
  • 轻量级神经网络在本地训练,通过联合学习进行全球模型聚合,避免原始数据共享.

主要成果:

  • 在所有网关中,FDA实现了异常检测F1得分超过99%.
  • 多阶段尸网络攻击分类F1分数在48-49%之间,与集中式方法相比.
  • 该框架在分散和保护隐私的限制下有效运行.

结论:

关键词:
尸网络攻击 尸网络攻击网络安全 网络安全数据挖掘是数据挖掘的一个方法.联合学习的联合学习物联网的东西互联网.机器学习是机器学习.

相关实验视频

Last Updated: Jun 29, 2026

Superior Auto-Identification of Trypanosome Parasites by Using a Hybrid Deep-Learning Model
08:20

Superior Auto-Identification of Trypanosome Parasites by Using a Hybrid Deep-Learning Model

Published on: October 27, 2023

  • 美国食品和药物管理局 (FDA) 为物联网中分布式尸网络攻击阶段检测提供了一种实用且有效的解决方案.
  • 该框架增强了对不断变化的威胁的协作学习,同时保护了用户的隐私.
  • 美国食品和药物管理局 (FDA) 证明了联合学习在异质物联网生态系统中的强大网络安全的可行性.