Deep Reinforcement Learning for Intrusion Detection in IoT: A Survey

新的复杂攻击场景在物联网（IoT）环境中的出现，需要更先进、更智能的网络安全防御技术，例如各种入侵检测系统（IDS），这些系统负责在没有人工干预的情况下检测和缓解物联网网络中的恶意活动。为了解决这个问题，近年来提出了深度强化学习（DRL）来自动处理入侵/攻击。本文提供了对基于DRL的IoT IDS的全面调查。此外，在本次调查中，DRL-based IDS方法被分类为五类，包括无线传感器网络（WSN）、深度Q网络（DQN）、医疗保健、混合和其他技术。此外，为了评估每种提出的方法的性能，本文详细介绍了最重要的性能指标，即准确率、召回率、精确率、假阴性率（FNR）、假阳性率（FPR）和F-measure。本文还提供了使用的数据集的摘要。

本论文试图解决IoT环境中新的复杂攻击场景的问题，提出使用深度强化学习（DRL）自动化处理入侵/攻击的方法。

本文提出了基于DRL的IDS方法，将其分为无线传感器网络（WSN）、深度Q网络（DQN）、医疗保健、混合和其他技术五个类别，并详细介绍了各种方法的性能指标和使用的数据集。

本文的亮点包括分类清晰、性能指标详细、使用的数据集丰富，并且提出了基于DRL的IDS方法。

与本文相关的研究包括：'A survey of intrusion detection in internet of things'、'A deep learning approach for intrusion detection using recurrent neural networks'等。