加速车联网入侵检测：GPU加速与基于CPU的机器学习库的基准比较
本研究针对车联网面临的网络安全攻击问题，探讨了GPU加速库（cuML）相对于传统CPU实现（scikit-learn）的性能优势。研究表明，GPU加速实现大幅提高了计算效率，训练时间最短可减少至传统CPU处理的1/159，预测速度提高至95倍，同时保持了检测准确性，这一突破为快速高效的威胁检测系统的开发提供了可能。
本研究比较了GPU加速库（cuML）与传统CPU实现（scikit-learn）在物联网车辆入侵检测中的性能。结果表明，GPU加速显著提升了计算效率，训练时间缩短至最多159倍，预测速度提高至最多95倍，同时保持了检测准确性。
