期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于增量学习的车联网恶意位置攻击检测研究
1
作者
江荣旺
魏爽
+1 位作者
龙草芳
杨明
《信息安全研究》
CSCD
北大核心
2024年第3期268-276,共9页
近年来,车辆恶意位置攻击检测中主要使用深度学习技术.然而,深度学习模型训练耗时巨大、参数众多,基于深度学习的检测方法缺乏可扩展性,无法适应车联网不断产生新数据的需求.为了解决以上问题,创新地将增量学习算法引入车辆恶意位置攻...
近年来,车辆恶意位置攻击检测中主要使用深度学习技术.然而,深度学习模型训练耗时巨大、参数众多,基于深度学习的检测方法缺乏可扩展性,无法适应车联网不断产生新数据的需求.为了解决以上问题,创新地将增量学习算法引入车辆恶意位置攻击检测中,解决了上述问题.首先从采集到的车辆信息数据中提取关键特征;然后,构建恶意位置攻击检测系统,利用岭回归近似快速地计算出车联网恶意位置攻击检测模型;最后,通过增量学习算法对恶意位置攻击检测模型进行更新和优化,以适应车联网中新生成的数据.实验结果表明,相比SVM,KNN,ANN等方法具有更优秀的性能,能够快速且渐进地更新和优化旧模型,提高系统对恶意位置攻击行为的检测精度.
展开更多
关键词
车联网
恶意
位置
攻击
检测
增量学习
深度学习
机器学习
下载PDF
职称材料
一种基于RSSI的智能家居环境Evil-Twin攻击的检测方法
被引量:
4
2
作者
房鼎益
祁生德
+2 位作者
汤战勇
陈晓江
顾元祥
《计算机学报》
EI
CSCD
北大核心
2017年第8期1764-1778,共15页
Wi-Fi正在为各种各样的设备提供网络连接,但因其网络标识(SSID,BSSID)易被伪造,攻击者很容易伪造出普通用户无法识别的Evil-Twin AP并进行其他高级攻击.本文利用智能家居中AP位置稳定的特点,提出了基于RSSI的Evil-Twin攻击检测方法,它...
Wi-Fi正在为各种各样的设备提供网络连接,但因其网络标识(SSID,BSSID)易被伪造,攻击者很容易伪造出普通用户无法识别的Evil-Twin AP并进行其他高级攻击.本文利用智能家居中AP位置稳定的特点,提出了基于RSSI的Evil-Twin攻击检测方法,它由单位置检测和多位置协同检测两种方案组成.该方法将Evil-Twin攻击检测问题转化为AP位置检测问题,两种方案都需要先在安全环境中构建指纹库.单位置检测时,确定当前检测到的目标AP与检测器之间的距离,并与指纹库中的安全距离进行比较,判断其安全性;多位置协同检测时,则先通过参考AP进行室内定位,确定检测设备的位置,然后反向定位确定当前检测到的目标AP与检测设备之间的距离,并与指纹库中该位置处的安全距离进行比较,判断其安全性.成功解决了基于AP硬件特征或流量特征的检测方法易被绕过的问题.该方法与已有的检测方法相比,检测设备不连入网络时依然可以成功检测,且无需加入专业的检测设备.实验结果显示,单位置检测方案将延迟时间降低至20s,且检测正确率达到98%,使用多位置协同检测时,正确率也达到90%.
展开更多
关键词
智能家居
邪恶双胞胎
无线网络
攻击位置检测
伪造AP
信号强度
物联网
传感器网络
信息物理融合系统
下载PDF
职称材料
题名
基于增量学习的车联网恶意位置攻击检测研究
1
作者
江荣旺
魏爽
龙草芳
杨明
机构
三亚学院
容淳铭院士工作站
出处
《信息安全研究》
CSCD
北大核心
2024年第3期268-276,共9页
基金
海南省自然科学基金青年项目(620QN287,621QN0901)
海南省自然科学基金高层次人才项目(621RC602)
+3 种基金
三亚学院重大专项课题(USY22XK-04)
三亚学院校级项目(USYYB22-07)
海南省重点研发项目(ZDYF2023GXJS007)
海南省教育厅重点科研项目(Hnky2023ZD-14)。
文摘
近年来,车辆恶意位置攻击检测中主要使用深度学习技术.然而,深度学习模型训练耗时巨大、参数众多,基于深度学习的检测方法缺乏可扩展性,无法适应车联网不断产生新数据的需求.为了解决以上问题,创新地将增量学习算法引入车辆恶意位置攻击检测中,解决了上述问题.首先从采集到的车辆信息数据中提取关键特征;然后,构建恶意位置攻击检测系统,利用岭回归近似快速地计算出车联网恶意位置攻击检测模型;最后,通过增量学习算法对恶意位置攻击检测模型进行更新和优化,以适应车联网中新生成的数据.实验结果表明,相比SVM,KNN,ANN等方法具有更优秀的性能,能够快速且渐进地更新和优化旧模型,提高系统对恶意位置攻击行为的检测精度.
关键词
车联网
恶意
位置
攻击
检测
增量学习
深度学习
机器学习
Keywords
VANET
location attack detection
incremental learning
deep learning
machine learning
分类号
TP309.2 [自动化与计算机技术—计算机系统结构]
下载PDF
职称材料
题名
一种基于RSSI的智能家居环境Evil-Twin攻击的检测方法
被引量:
4
2
作者
房鼎益
祁生德
汤战勇
陈晓江
顾元祥
机构
西北大学信息科学与技术学院
西北大学-爱迪德信息安全联合实验室
爱迪德技术(北京)有限公司
出处
《计算机学报》
EI
CSCD
北大核心
2017年第8期1764-1778,共15页
基金
国际科技合作与交流计划(2015KW-003)
国家自然科学基金(61672427
+2 种基金
61272461
61202393)
省教育厅产业化培育项目(2013JC07)资助~~
文摘
Wi-Fi正在为各种各样的设备提供网络连接,但因其网络标识(SSID,BSSID)易被伪造,攻击者很容易伪造出普通用户无法识别的Evil-Twin AP并进行其他高级攻击.本文利用智能家居中AP位置稳定的特点,提出了基于RSSI的Evil-Twin攻击检测方法,它由单位置检测和多位置协同检测两种方案组成.该方法将Evil-Twin攻击检测问题转化为AP位置检测问题,两种方案都需要先在安全环境中构建指纹库.单位置检测时,确定当前检测到的目标AP与检测器之间的距离,并与指纹库中的安全距离进行比较,判断其安全性;多位置协同检测时,则先通过参考AP进行室内定位,确定检测设备的位置,然后反向定位确定当前检测到的目标AP与检测设备之间的距离,并与指纹库中该位置处的安全距离进行比较,判断其安全性.成功解决了基于AP硬件特征或流量特征的检测方法易被绕过的问题.该方法与已有的检测方法相比,检测设备不连入网络时依然可以成功检测,且无需加入专业的检测设备.实验结果显示,单位置检测方案将延迟时间降低至20s,且检测正确率达到98%,使用多位置协同检测时,正确率也达到90%.
关键词
智能家居
邪恶双胞胎
无线网络
攻击位置检测
伪造AP
信号强度
物联网
传感器网络
信息物理融合系统
Keywords
smart home
evil-twin attack
wireless networks
attack position detection
fake AP
RSSI
Internet of Things
sensor networks
Cyber-Physical System
分类号
TP311 [自动化与计算机技术—计算机软件与理论]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于增量学习的车联网恶意位置攻击检测研究
江荣旺
魏爽
龙草芳
杨明
《信息安全研究》
CSCD
北大核心
2024
0
下载PDF
职称材料
2
一种基于RSSI的智能家居环境Evil-Twin攻击的检测方法
房鼎益
祁生德
汤战勇
陈晓江
顾元祥
《计算机学报》
EI
CSCD
北大核心
2017
4
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部