An LLM-Assisted AutoML Framework for Intrusion Detection in IoT Networks
该论文面向物联网（IoT）环境下的入侵检测系统（IDS）构建效率问题展开研究。IoT 已广泛部署于智能家居、交通运输、能源系统与关键基础设施，连通的扩大在提升服务智能化的同时显著扩大了攻击面，因此基于机器学习（ML）的入侵检测成为保护 Io
#automl
共收录 3 条相关情报。
← 返回所有主题A Multi-Objective AutoML-based Efficient Intrusion Detection System for EV Charging Networks
该论文针对电动汽车充电系统（EVCS）日益与物联网（IoT）设备互联所引入的网络安全风险，提出了一种基于多目标自动化机器学习（MOO-AutoML）的高效入侵检测系统（IDS）。传统基于机器学习的IDS往往依赖人工设计模型，且仅以检测性能为
AutoDA: Automated Decision-based Iterative Adversarial Attacks.
该论文提出了一种名为AutoDA的自动化决策型迭代对抗攻击方法。决策型攻击是黑盒对抗攻击的一种重要形式，攻击者只能通过模型的最终决策标签（如分类结果）来生成对抗样本，而无法访问模型内部结构或置信度分数。传统决策型攻击需要手工设计攻击算法，如