该论文提出了一种名为 Lemon 的网络级 DDoS 检测系统，旨在解决在网络核心进行大规模流量测量时，传统方案依赖路由信息或需逐流维护状态而导致的扩展性差、部署复杂等问题。核心创新在于实现一种"路由无关"（routing-oblivious）的逐流测量机制，使得系统无需感知具体路由路径或修改现有网络设备，即可准确统计网络中各条流的流量特征。Lemon 通过精心设计的哈希与采样算法，在保证测量准确性的同时显著降低内存和计算开销，能够基于流量特征实时识别异常波峰，从而在攻击早期发现分布式拒绝服务（DDoS）事件。实验部分（基于真实网络流量数据与原型实现）验证了 Lemon 相比现有方法具有更高的检测精度和更低的资源消耗，并能适应高速网络环境。该研究对于在网络核心部署轻量级、可扩展的 DDoS 检测方案具有理论参考价值，适合网络测量、流量分析与安全监控方向的研究人员阅读。

该论文面向医疗物联网（Healthcare-IoT, H-IoT）中的网络安全威胁，提出了一套基于深度学习的安全防护方案。H-IoT中可穿戴设备资源受限，传统复杂深度学习模型难以部署，同时现有数据集质量参差不齐，限制了安全模型的实用性。为此，论文开发了多个真实场景数据集，并设计了轻量级模型：时间卷积网络（TCN）和残差时间卷积网络（Res-TCN），用于检测DDoS、选择性转发（SF）和中间人（MITM）攻击。论文生成了三个数据集：UE-ECE-MQTT-DDoS-H-IoT2025和UL-ECE-UDP-DDoS-H-IoT2025分别通过Cooja和ns-3模拟捕获MQTT和UDP协议下的DDoS流量特征；UL-ECE-MultiAttack-H-IoT2025则融合生理信号和网络流量特征，覆盖多种攻击。模型基于监控频率进行检测，并采用动态阈值实现缓解。为支持边缘部署，模型被量化为TensorFlow Lite格式，成功在Raspberry Pi 4上实现实时DDoS检测，兼具低延迟和低功耗。论文最终建立了从数据集生成、轻量模型设计到边缘部署的完整H-IoT安全防御链路，为资源受限环境下的医疗设备安全提供了可行方案。适合物联网安全、医疗系统安全及边缘AI研究人员阅读。