Korábbi munkámra építve jelenlegi célom egy általános és adaptálható megközelítés létrehozása a szoftveresen definiált tárgyak internetének (SD-IoT) hálózataiban az anomáliák észlelésére, kihasználva az In-Band hálózati telemetria (INT) képességeit. A hagyományos, konkrét forgatókönyvekre szabott módszerekkel ellentétben a mi megközelítésünk széles körű alkalmazhatóságot biztosít a különböző SD-IoT-konfigurációkban, miközben dinamikusan alkalmazkodik a változó hálózati feltételekhez.

Egy másik fontos újdonság az INT-adatok használata az olyan eszközökkel gyűjtött hagyományos hálózati adatkészletek helyett, mint a Wireshark és a NetFlow. Az INT, egy valós idejű telemetriamechanizmus, granuláris, közvetlen adatsíkbeli betekintést nyújt - például a hop-késleltetés, az áramlási késleltetés és a sorban állás mélysége -, gazdagabb és dinamikusabb alapot nyújtva az anomáliák észleléséhez. A robusztus észlelés érdekében olyan neurális hálózati modelleket fejlesztettem ki, amelyek az elméleti felismeréseket a gépi tanulás legújabb eredményeivel ötvözik. Emellett olyan fejlett technikákat építettünk be, mint az együttes tanulás és a figyelemmechanizmusok, hogy javítsuk az általánosíthatóságot és az alkalmazkodóképességet.