PulseAugur
中
实时 08:32:40
English(EN) Enhancing Autonomous Online Intrusion Detection for IoT with Balanced Learning, Reliable Pseudo-Labels, and Lightweight Architectures

AI通过提高准确性和效率来增强物联网入侵检测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员通过解决类别不平衡、伪标签生成、泛化和计算开销方面的限制，增强了物联网（IoT）设备的现有自主在线入侵检测系统（AOC-IDS）。他们改进的方法，包括XGBoost-BalSamp以及结合了PseudoFilter、MixupAug和LiteAE的深度学习方法，在UNSW-NB15基准测试上实现了更高的准确性，同时显著减少了模型参数。这些进步旨在使入侵检测对于资源受限的物联网部署更加有效和实用。 AI

影响 提高了AI驱动的物联网设备安全性的准确性和效率。

排序理由 这是一篇详细介绍特定应用AI系统改进的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI通过提高准确性和效率来增强物联网入侵检测

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Hanzala Afzaal, Danish Memon, Chouhdary Bilal Raza, Muhammad Khurram Shahzad ·

    利用平衡学习、可靠伪标签和轻量级架构增强物联网的自主在线入侵检测

    arXiv:2605.26166v1 Announce Type: cross Abstract: The rapid proliferation of Internet of Things (IoT) devices has created an urgent demand for adaptive, resource-efficient Intrusion Detection Systems (IDS) capable of handling dynamic and evolving cyber threats. This paper investi…

相关实体

相关话题