XiaoMi-AI文件搜索系统
World File Search SystemIntrusion
基于两步算法的智能连接车辆中的入侵检测系统
摘要。智能连接的车辆是物联网中不可分割的对象。在确保车辆的安全性和可靠性方面，汽车行业面临着巨大的挑战。在这种情况下，智能连接的车辆供应商致力于提供安全的系统，以确保用户驾驶安全性并保护他们免受可能的网络攻击。本文提出了一种基于适合智能连接车辆的嵌入式环境的入侵检测系统。两步算法用于检测可能的攻击。为了评估系统的性能，本文进行了实验测试，计算经典的准确性评估参数，并将其与模拟的网络攻击数据集进行比较。结果表明，该方法对常见的网络攻击具有出色的检测性能。在自由状态攻击下测试此方法时，性能会降低。
优化用于云计算的深层生成入侵检测系统：改进的挑战和范围
大量数据及其指数增加导致安全问题，随后会损害云计算及其环境。入侵检测系统（IDS）是监视和分析云环境中恶意攻击数据的系统之一。云计算中网络流量的大量，高冗余和高维度使得很难通过当代技术检测攻击。需要解决以提高IDS功能的性能和数据不平衡问题。本文包括在不同类型的基于云的数据集中对基于ML技术和IDS性能的基于云ID的技术和调查。它还分析了差距和范围，以增强ID的评估参数。它提供了基于云的IDS系统，与其他当代系统相比，它将产生良好的性能结果。此外，本文提供了有关基于云的ID，数据不平衡技术，数据集和提议的云IDS系统体系结构的当前概述。
针对航空电子应用的基于主机的入侵检测系统的实现
摘要 — 如今，飞机受到强大的安全性能、合格的操作员和基于流程的安全措施的保护。然而，考虑到最近机上服务向更多连接、资源共享和高级娱乐功能的发展，以及针对嵌入式系统的威胁增加，必须认真考虑未来系统对飞机应用程序的潜在恶意修改。在这种情况下，可以开发多种解决方案来提高飞机安全性。特别是，基于主机的入侵检测系统 (HIDS) 与处理内部攻击等有针对性的威胁有关。本文介绍了在飞机上构建 HIDS 的具体限制，并讨论了一些满足这些限制的相关解决方案。从检测效率和资源消耗方面评估这些解决方案，以选择能够在效率和性能之间实现最佳平衡的解决方案。本文还描述了该解决方案在嵌入式航空电子计算机上的实现。索引词 — 入侵检测系统、安全、航空电子、嵌入式、实时
入侵检测：一种深度学习方法
摘要 - 网络入侵是当今所有行业的重要问题。该解决方案的关键部分是能够有效检测入侵。随着人工智能的最新进展，当前的研究已经开始采用深度学习方法进行入侵检测。当前的多级入侵检测方法包括使用深神经网络。但是，它未能考虑到数据集中存在的数据对象和长期依赖关系之间的空间关系。本文提出了一种新型体系结构，以打击具有卷积神经网络（CNN）模块的入侵检测，以及长期内存（LSTM）模块以及带有支持向量机（SVM）分类功能的长期记忆（LSTM）。分析之后是对常规机器学习技术和深度学习方法的比较，这些方法突出了可以进一步探索的领域。
可解释人工智能 (XAI) 在智能网联汽车入侵检测与缓解中的应用：综述
摘要：物联网 (IoT) 和人工智能 (AI) 的发展为智能交通系统 (ITS) 带来了潜力，从而产生了物联网和 ITS 的集成，即车联网 (IoV)。为了实现自动驾驶和高效出行的目标，车联网现在与现代通信技术（如 5G）相结合，实现智能网联汽车 (ICV)。然而，车联网在以下五 (5) 个领域面临安全风险：ICV 安全、智能设备安全、服务平台安全、V2X 通信安全和数据安全。人们已经开发了许多 AI 模型来减轻入侵威胁对 ICV 的影响。另一方面，可解释人工智能（XAI）的兴起源于需要为人工智能的开发注入信心、透明度和可重复性，以确保智能网联汽车的安全并提供安全的智能交通系统。因此，本综述的范围涵盖了智能网联汽车入侵检测系统（IDS）中使用的 XAI 模型、它们的分类法和未解决的研究问题。研究结果表明，尽管 XAI 在智能网联汽车中的应用尚处于起步阶段，但它是提高智能网联汽车网络效率的一个有前途的研究方向。本文进一步表明，XAI 透明度的提高将提高其在汽车行业的接受度。
使用COOT优化和MANET的混合LSTM-KNN分类器设计入侵检测和预防模型
简介：MANET是一项新兴技术，由于其能力在短时间内分析大量数据，因此在各种应用程序中获得了吸引力。因此，这些系统正面临各种安全漏洞和恶意软件攻击。因此，必须设计一个有效，积极和准确的入侵检测系统（IDS）来减轻网络中存在的这些攻击。大多数以前的ID都面临着诸如低检测精度，降低新型攻击形式的效率以及高误报率。目标：为了减轻这些关注点，提出的模型使用COOT优化和MANET的混合LSTM-KNN分类器设计了有效的入侵检测和预防模型，以提高网络安全性。方法：拟议的入侵检测和预防方法由四个阶段组成，例如对攻击节点的正常节点进行分类，预测不同类型的攻击，发现攻击的频率以及预防预防机制。初始阶段是通过COOT优化完成的，以找到从正常节点识别攻击节点的最佳信任值。在第二阶段，引入了混合LSTM-KNN模型，以检测网络中各种攻击。第三阶段执行以对攻击的发生进行分类。结果：最后阶段旨在限制系统中存在的攻击节点的数量。拟议方法的有效性通过一些指标验证，该指标的精度达到96％，执行时间为98％和35秒。结论：该实验分析表明，提出的安全方法有效地减轻了MANET的恶意攻击。
使用COOT优化和MANET的混合LSTM-KNN分类器设计入侵检测和预防模型
INTRODUCTION: MANET is an emerging technology that has gained traction in a variety of applications due to its ability to analyze large amounts of data in a short period of time.因此，这些系统正面临各种安全漏洞和恶意软件攻击。Therefore, it is essential to design an effective, proactive and accurate Intrusion Detection System (IDS) to mitigate these attacks present in the network.Most previous IDS faced challenges such as low detection accuracy, decreased efficiency in sensing novel forms of attacks, and a high false alarm rate.OBJECTIVES: To mitigate these concerns, the proposed model designed an efficient intrusion detection and prevention model using COOT optimization and a hybrid LSTM-KNN classifier for MANET to improve network security.METHODS: The proposed intrusion detection and prevention approach consist of four phases such as classifying normal node from attack node, predicting different types of attacks, finding the frequency of attack, and intrusion prevention mechanism.初始阶段是通过COOT优化完成的，以找到从正常节点识别攻击节点的最佳信任值。在第二阶段，引入了混合LSTM-KNN模型，以检测网络中各种攻击。第三阶段执行以对攻击的发生进行分类。结果：最后阶段旨在限制系统中存在的攻击节点的数量。The proposed method's effectiveness is validated by some metrics, which achieved 96 per cent accuracy, 98 per cent specificity, and 35 seconds of execution time.结论：该实验分析表明，提出的安全方法有效地减轻了MANET的恶意攻击。
无线入侵检测系统 (WIDS)/无线入侵...
附件 要求 NIST SP 800-53 修订版 5 安全控制 WIDS-WL-4 AU-2、AU-12、CM-8 (3)、SI-4 (14、15) WIDS-WL-5 AU-2、AU-12、CM-8 (3)、SI-4 (14) WIDS-WL-6 CM-8、SI-4 (14) WIDS-WL-7 AU -2、AU-12、CM-8 (3)、SI-4 (14) WIDS-WL-8 AU-2、AU-12、CM-8 (3)、SI-4 (14) WIDS-WL-9 AU-2、AU-12、CM-8、SI-4 (14) WIDS-WL-10 SI-4 (14) WIDS-WL-11 SI-4 (4、14) WIDS-WL-12 AU- 2、AU-12、CM-8 (3)、 SI-4 (14) WIDS-WL-13 AU-2、AU-12、SI-4 (14) WIDS-WL-14 AU-2、AU-12、CM-8 (3)、SI-4 (14) WIDS-WL-15 AU-2、AU-12、SI-4 (14) WIDS-WL-16 AU-2、AU-12、SI-4 (14) WIDS-WL-17 AU-2， AU-12、SI-4 (14) WIDS-WL-18 SI-4 (14) WIDS-WL-19 AU-2、AU-12、SI-4 (14) WIDS-WL-20 AU-2、AU-12、SI-4 (14) WIDS-WL-21 AU-2、AU-12、SC-5 (3)、SI-4 (14) -22 AU-2、AU-12、 SI-4 (11, 14) WIDS-WL-23 AU-2, AU-12, SC-5 (2), SI-4 (14) WIDS-WL-24 AU-2, AU-12, SC-5 (2), SI-4 (14) WIDS-WL-25 AU-2, AU-12, SI-4 (14) WIDS-WL-26 AU-2, 12、SI-4 (14) WIDS-WL-27 AU-2、AU-12、SI-4 (14) WIDS-WL-28 AU-2、AU-12、SI-4 (14) WIDS-WL-29 AU-2、AU-12、SI-4 (14) WIDS-WL-30 AU-2、AU-12、SI-4 (14) WIDS-WL-31 AU-2、 AU-12、SI-4 (14) WIDS-WL-32 AU-2、AU-12、SI-4 (14) WIDS-WL-33 AU-2、AU-12、SI-4 (14) WIDS-WL-34 AU-2、AU-12、SI-4 (14、15) WIDS-WL-35 AU-2、AU-12、SI-4 (14) WIDS-WL-36 AU -2、AU-12、SI-4 (14) WIDS-WL-37 AU-2、AU-12、SI-4 (14) WIDS-ED-1 SI-4 (4, 14) WIDS-ED-2 SI-4 (4, 14) WIDS-ED-3 SI-4 (4, 14) WIDS-ED-4 SI-4 (14) WIDS-ED-5 SI-4 (14) WIDS-ED-6 SI-4 (14) ） WIDS-ED-7 SI-4 (14) WIDS-ED-8 SI-4 (14) WIDS-ED-9 SI-4 (14)
基于机器学习的空间监控入侵检测系统：贝宁农业案例研究
摘要——物联网 (IoT) 是数字化转型新时代的主要工具之一。通过物联网，我们期待探索数字世界中的新技术以及它们如何帮助改善现实世界。在这项工作中，我们概述了部署用于监控任何室内空间（特别是农业空间）的监控系统的方法。整个过程从运动传感器使用机器学习技术进行运动检测后开始。这需要在电子链中实现覆盖和响应处理算法。该系统的电子部分涉及微控制器、传感器及其之间的通信。已经创建了一个移动应用程序，以允许主管部门接收警报以进行实时干预，目的是防止在畜群通道附近屠宰的农作物遭到破坏。我们介绍了监控系统的示意图及其操作以及电源模块描述。已经设计了原型并进行了性能评估，以表明该系统大多数时间都是响应的。
使用规范化互信息特征选择和并行量子遗传算法进行入侵检测
针对入侵检测系统（IDS）检测速度慢、自适应性差、检测准确率不高等问题，提出一种基于自适应并行量子遗传算法的正则化互信息特征选择与多算子协同进化的检测算法（NMIFS MOP-AQGA）。为了对高维特征数据进行有效约简，采用NMIFS方法选择最佳特征组合，将最佳特征送入MOP-AQGA分类器进行学习训练，得到入侵检测器，将数据输入检测算法，最终产生准确的检测结果。在真实异常数据上的实验结果表明，NMIFS MOP-AQGA方法比现有检测方法具有更高的检测准确率、更低的误报率和更强的自适应性能，尤其对于小样本集更为有效。