基于焦点损失函数的物联网入侵检测深度学习方法

物联网有望革命性地改变医疗、能源、教育、交通、制造、军事、农业等多个行业。然而,要在各行业成功部署物联网,需要设计和实施检测安全漏洞的方法。近年来,虽然许多学者和工业界研究者已经利用机器学习技术设计和实施了计算机网络入侵检测系统,但在物联网领域的研究相对较少。为解决物联网中的入侵检测问题,我们采用了专门的损失函数,能够自动降低简单样本的权重,从而有效地训练模型。我们利用两种深度学习神经网络架构实现了这一方法。在三个不同物联网领域的数据集上进行的广泛实验评估结果显示,相较于使用交叉熵损失函数,我们的方法在准确度、精确度、F1和MCC指标上均有显著提升,分别高出24%、39%、39%和60%。

基于图神经网络的恶意软件分类方法

应对恶意软件带来的威胁需要准确的检测和分类技术。传统的检测策略如签名扫描,依赖于对恶意软件进行手动分析以提取相关特征,这是一项工作繁重且需要专业知识的任务。函数调用图包括一组程序函数及其过程间调用,提供了丰富的信息源,可以用于对恶意软件进行分类,而无须进行繁重的特征提取步骤,这是传统技术的一大优势。在这项研究中,我们将恶意软件分类视为图分类问题。基于局部度量特征,我们训练了一系列图神经网络架构来生成嵌入向量,然后进行分类。我们发现,我们的最佳GNN模型在分类上表现优于以往类似研究。