基于内存增强自编码器的轻量级无人机网络异常检测模型

胡天柱; 沈玉龙; 任保全; 何吉; 刘成梁; 李洪钧

doi:10.11959/j.issn.1000-436x.2024011

您当前的位置：

首页 >

文章列表页 >

基于内存增强自编码器的轻量级无人机网络异常检测模型

学术论文 | 更新时间：2024-06-12

- 基于内存增强自编码器的轻量级无人机网络异常检测模型
- Lightweight anomaly detection model for UAV networks based on memory-enhanced autoencoders
- “在无人机网络领域，专家提出了一种轻量级在线异常检测模型，有效降低了能耗和对人工标注数据的依赖，为无人机网络安全提供了新方案。”
- 通信学报 2024年45卷第4期页码：13-26
- 作者机构：
  
  1..西安电子科技大学网络与信息安全学院, 陕西西安 710126
  2..军事科学院系统工程研究院, 北京 100070
  3..西安电子科技大学计算机科学与技术学院, 陕西西安 710126
- 作者简介：
  
  [ "胡天柱（1996- ），男，河南濮阳人，西安电子科技大学与军事科学院联合培养博士生，主要研究方向为智能信息网络内生安全、APT攻击检测等。" ]
  [ "沈玉龙（1978- ），男，江苏泗洪人，博士，西安电子科技大学教授、博士生导师，主要研究方向为云计算与数据安全、智能网络内生安全等。" ]
  [ "任保全（1974- ），男，陕西周至人，博士，军事科学院研究员、博士生导师，主要研究方向为智能信息网络架构与内生安全等。" ]
  [ "何吉（1989- ），男，重庆人，博士，西安电子科技大学讲师、硕士生导师，主要研究方向为物理层安全、智能信息网络内生安全等。" ]
  [ "刘成梁（1996- ），男，江苏镇江人，西安电子科技大学与军事科学院联合培养博士生，主要研究方向为智能信息网络安全、APT攻击检测等。" ]
  [ "李洪钧（1985- ），男，博士，军事科学院高级工程师，主要研究方向为通信网络技术、物联网技术等。" ]
- 基金信息：
  
  国家自然科学基金资助项目(62220106004;61972308);国家自然科学基金重大研究计划基金资助项目(92267204);陕西省重点研发计划基金资助项目(2022KXJ-093;2021ZDLGY07-05);陕西省创新能力支撑计划基金资助项目(2023-CX-TD-02)
- DOI：10.11959/j.issn.1000-436x.2024011
  中图分类号： TP309.1
- 收稿：2023-07-05，
  
  修回：2023-09-23，
  
  纸质出版：2024-04-30
- 稿件说明：
移动端阅览
胡天柱, 沈玉龙, 任保全, 等. 基于内存增强自编码器的轻量级无人机网络异常检测模型[J]. 通信学报, 2024,45(4):13-26.

HU Tianzhu, SHEN Yulong, REN Baoquan, et al. Lightweight anomaly detection model for UAV networks based on memory-enhanced autoencoders[J]. Journal on Communications, 2024, 45(4): 13-26.
胡天柱, 沈玉龙, 任保全, 等. 基于内存增强自编码器的轻量级无人机网络异常检测模型[J]. 通信学报, 2024,45(4):13-26. DOI： 10.11959/j.issn.1000-436x.2024011.

HU Tianzhu, SHEN Yulong, REN Baoquan, et al. Lightweight anomaly detection model for UAV networks based on memory-enhanced autoencoders[J]. Journal on Communications, 2024, 45(4): 13-26. DOI： 10.11959/j.issn.1000-436x.2024011.

浏览量

1309

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于协同对抗增强生成模型的智能无人机网络异常检测方法

自由空间光通信的异常检测、分类与定位深度学习架构

基于图提示微调的WSN节点时空相关性异常检测方法

基于自适应元学习的5G核心网协议字段变异方法

纤锌矿GaN柱形量子点中类氢施主杂质态

基于内存增强自编码器的轻量级无人机网络异常检测模型

Lightweight anomaly detection model for UAV networks based on memory-enhanced autoencoders

DOI：10.11959/j.issn.1000-436x.2024011