Poster Abstract: Towards Scalable and Trustworthy Decentralized Collaborative Intrusion Detection System for IoT
入侵检测系统（IDS）的目的是通过部署一个检测器来连续监视网络流量，从而警告用户即将到来的攻击。为了提高入侵检测系统的检测能力，通常由一组独立的入侵检测器协同工作来构建整体网络表征的智能，这就是协同入侵检测系统（Collaborative Intrusion Detection System，CIDS）。然而，开发一个有效的CIDS，特别是针对物联网生态系统，提出了几个挑战。区块链技术的最新趋势和进展，提供了分布式信任和安全不可变存储的保证，可能有助于设计有效的CIDS。在这张海报摘要中，我们介绍了我们正在进行的基于区块链技术的物联网分散式CIDS的工作。我们提出了一个架构，提供负责任的信任建立，促进激励和惩罚，并通过交换布隆过滤器可扩展的入侵信息存储。我们目前正在本地测试平台上实施模块化架构的概念验证，并评估其在检测物联网网络中常见攻击和相关开销方面的有效性。
2020-02-18 cs.CR cs.DC
Multi-frame Signature-cum Anomaly-based Intrusion Detection Systems (MSAIDS) to Protect Privacy of Users over Mobile Collaborative Learning (MCL)
流氓DHCP是未经授权的服务器，它向用户发布错误的IP地址并非法嗅探流量。该贡献特别为用户提供隐私，并增强了[24]中解释的移动支持的协作框架（MSCF）的安全性。本文介绍了支持新算法的多帧签名和基于异常的入侵检测系统（MSAIDS），并在现有IDS中包含新规则。主要目标是检测恶意攻击，阻止流氓DHCP服务器的非法活动。这种创新的安全机制增强了用户的信心，保护网络免受非法干预，恢复用户的隐私。最后，本文通过仿真验证了这一想法，并将研究结果与已知的现有技术进行了比较。
2012-10-07 cs.CR
A Collaborative Intrusion Detection System Using Snort IDS Nodes
本文提出一种基于Snort节点的协作式入侵检测系统，通过中心节点集成与SIEM平台实现多节点数据共享与关联分析，提升大规模网络攻击检测准确性并降低误报，实验验证其高效性。
2025-04-23 cs.CR
SOME/IP Intrusion Detection using Deep Learning-based Sequential Models in Automotive Ethernet Networks
LTCI Telecom Paris, IP Paris（巴黎电信学院LTCI（LTCI Telecom Paris, IP Paris））
入侵检测系统被广泛用于检测网络攻击，特别是对易受黑客攻击的协议，如SOME/IP。针对SOME/IP应用层协议，提出了一种基于深度学习的离线入侵检测时序模型。为了评估我们的入侵检测系统，我们生成了一个数据集，并标记了几个类代表现实的入侵，和一个正常的类-一个显着的贡献，由于没有这样的公开可用的数据集。此外，我们还提出了一个递归神经网络（RNN），作为基于深度学习的序列模型的一个实例，我们将其应用于我们生成的数据集。数值结果表明，RNN在预测车内入侵方面表现出色，F1得分和AUC值大于0.8，具体取决于每种入侵类型。
2021-10-10 cs.CR cs.LG
Host-Based Network Intrusion Detection via Feature Flattening and Two-stage Collaborative Classifier
University of Ottawa（渥太华大学）；Ciena（CIENA公司）
针对NIDS检测APT等攻击的局限，提出融合主机与网络特征、结合特征扁平化和两阶段协同分类器的混合入侵检测方法，在两个公开数据集上有效提升了整体及单类攻击的检测性能。
2023-06-15 cs.AI cs.CR cs.NI
Sequential Binary Classification for Intrusion Detection
Ericsson（爱立信）
针对IDS数据集类别不平衡影响ML模型性能的问题，提出序列二进制分类（SBC）分层级联结构方法，实验证明该结构方法在基准IDS数据集上是处理多分类类别不平衡的可行方案。
2025-02-13 cs.CR cs.LG cs.NI
Differentially Private Collaborative Intrusion Detection Systems For VANETs
车载自组织网络（VANET）是现代交通系统中提供安全和有价值信息的一种使能技术，但它容易受到从被动窃听到主动干扰等多种攻击。入侵检测系统是通过检测恶意行为来缓解威胁的重要设备。此外，车辆之间的合作，在VANELS可以提高检测精度，通过交流他们的经验之间的节点。为此，分布式机器学习是一个合适的框架，可扩展的和可实现的协同检测算法的设计在VANESTO。协作学习的一个基本障碍是节点之间交换数据时的隐私问题。恶意节点可以通过从观测数据中推断来获取其他节点的敏感信息。在本文中，我们提出了一个隐私保护的机器学习为基础的协同入侵检测系统（PML-CIDS）的VANESTUDIO。该算法将交替方向乘子法（ADMM）应用于一类经验风险最小化（ERM）问题，并训练分类器来检测VAN中的入侵。我们使用差分隐私来捕获PML-CIDS的隐私标记，并提出了一种双变量扰动的方法来提供动态的差分隐私。我们分析了理论性能，并描述了PML-CIDS的安全性和隐私性之间的基本权衡。我们还使用NSL-KDD数据集进行了数值实验，以证实检测精度，安全隐私权衡和设计的结果。
2020-05-02 cs.CR eess.SP
Intrusion Detection using Sequential Hybrid Model
PES University（PES大学）
在KDD 99数据集上已经做了大量的工作，其中大部分包括使用并行完成的混合异常和误用检测模型。为了进一步分类的入侵，我们的方法来网络入侵检测包括使用两种不同的异常检测模型，其次是误用检测应用于从上一步获得的组合输出。这样做的最终目标是验证异常检测算法检测到的异常，并澄清它们实际上是入侵还是来自训练正常值的随机离群值（从而尝试减少误报的数量）。我们的目标是检测这种新的入侵技术本身的模式，而不是这种入侵的处理。入侵被非常准确地探测到了。
2019-10-29 cs.CR cs.LG
Introducing a Comprehensive, Continuous, and Collaborative Survey of Intrusion Detection Datasets
针对入侵检测数据集数量多、缺陷隐蔽且现有综述不全面、不及时的问题，本文推出由公开 GitHub 支持、持续更新并开放协作的 COMIDDS 网站，提供结构化、批判性且可操作的数据集信息。
2024-08-05 cs.CR
FedSA: Accelerating Intrusion Detection in Collaborative Environments with Federated Simulated Annealing
Universidade Federal Fluminense（弗鲁米嫩塞联邦大学）；Trinity College Dublin（都柏林圣三一学院）
快速识别新的网络攻击模式对于提高网络安全性至关重要。然而，识别异构网络中正在进行的攻击是一项不平凡的任务。联邦学习是入侵检测系统协同训练的一种解决方案。基于联邦学习的IDS使用联邦参与者提供的本地机器学习模型来训练全局模型，而不共享本地数据。然而，优化挑战是联邦学习固有的。本文提出了联邦模拟退火（FedSA）元启发式选择超参数和一个子集的参与者为每一个聚合轮联邦学习。FedSA优化与全局模型收敛相关的超参数。该提案减少了聚合轮数，加快了收敛速度。因此，FedSA加速了从本地模型中提取学习，需要更少的IDS更新。提案评估表明，FedSA全球模型在不到10轮的沟通中收敛。与传统的聚合方法相比，该提案需要减少多达50%的聚合轮次才能实现约97%的攻击检测准确率。
2022-05-23 cs.CR cs.LG
Resource-Aware Deployment Optimization for Collaborative Intrusion Detection in Layered Networks
AIT Austrian Institute of Technology（奥地利技术研究院）；University of Vienna（维也纳大学）
本文提出一种面向分层网络协作入侵检测的资源感知部署优化框架，通过动态优化检测器分配实现高效入侵检测。
2026-02-12 cs.AI cs.CR
Collaborative Feature Maps of Networks and Hosts for AI-driven Intrusion Detection
本文提出整合网络流与主机日志的CIDS数据集构建框架、SCVIC-CIDS-2021数据集及transformer模型CIDS-Net，显著提升入侵检测性能。
2022-08-10 cs.CR
Collaborative Zone-Adaptive Zero-Day Intrusion Detection for IoBT
School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）；School of Systems & Computing, University of New South Wales（新南威尔士大学系统与计算学院）
本文提出ZAID框架，通过区域自适应和联邦学习提升IoBT中对未知攻击的检测性能，实现83.16%的准确率。
2026-02-18 cs.CR cs.LG
On the Evaluation of Sequential Machine Learning for Network Intrusion Detection
University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）；Rochester Institute of Technology（罗切斯特理工学院）；University of Liechtenstein（列支敦士登大学）
深度学习的最新进展重新激发了机器学习在网络入侵检测系统（NIDS）中的研究兴趣。具体来说，注意力已经给予顺序学习模型，由于他们的能力，提取的时间特性的网络流量（NetFlows），并使用它们的NIDS任务。然而，这些顺序模型的应用通常包括直接从其他领域转移和调整方法，而没有深入研究如何利用网络安全场景的具体情况;此外，缺乏对依赖NetFlow数据的顺序模型的全面研究，这比传统的完整数据包捕获具有显着优势。我们在本文中解决这个问题。我们提出了一个详细的方法来提取时间序列的NetFlows表示模式的恶意活动。然后，我们应用这种方法来比较顺序学习模型与传统静态学习模型的有效性。特别是，我们在由两个著名的NIDS数据集代表的不同环境中对“顺序”长短期记忆（LSTM）与“静态”前馈神经网络（FNN）进行了公平的比较：CICIDS 2017和CTU 13。我们的研究结果强调，LSTM在CICIDS 2017中实现了与FNN相当的性能，F1得分超过99.5%;而在CTU 13中获得了更好的性能，F1得分为95.7%，而F1得分为91.5%。因此，本文铺平了道路，未来的应用程序顺序学习模型的NIDS。
2021-06-15 cs.CR cs.LG
PROTEAN: Federated Intrusion Detection in Non-IID Environments through Prototype-Based Knowledge Sharing
针对分布式网络中联邦学习因数据异质性导致入侵检测效果受限的问题，提出基于原型学习的PROTEAN框架，通过类原型知识共享实现非IID环境下的协作式隐私保护入侵检测，在IIoT和5G数据集上验证了其有效性。
2025-07-07 cs.CR
A Multi-Agent Adaptive Deep Learning Framework for Online Intrusion Detection
网络安全分析器使用入侵检测系统（IDS）来区分恶意流量和良性流量。提出了基于深度学习的IDS，以自动提取高级特征，并消除耗时且昂贵的签名提取过程。然而，新一代IDS仍然面临许多挑战。IDS的主要问题之一是面临流量概念漂移，其表现为新的（即，零日）攻击，以及良性用户/应用程序的行为变化。此外，一个实用的基于DL的IDS需要符合分布式架构，以处理大数据的挑战。我们提出了一个框架，用于使基于DL的模型适应不断变化的攻击/良性流量行为，考虑更实际的场景（即，在线自适应IDS）。除了联邦学习方法之外，该框架还采用了连续的深度异常检测器来解决上述挑战。此外，所提出的框架实现了顺序的数据包标记为每个流，它提供了一个攻击概率得分的流通过逐渐观察每个流数据包，并更新其估计。我们通过在CIC-IDS 2017和CSE-CIC-IDS 2018数据集上采用不同的深度模型（包括基于CNN和基于LSTM的模型）来评估所提出的框架。通过广泛的评估和实验，我们表明，所提出的分布式框架是很好地适应交通概念漂移。更准确地说，我们的结果表明，基于CNN的模型非常适合于不断适应交通概念漂移（即，实现了95%以上的平均检测率，同时对于更新阶段仅需要128个新流），并且基于LSTM的模型是用于实际在线IDS中的顺序分组标记的良好候选（即，通过仅仅观察它们的前15个分组来检测入侵）。
2023-03-05 cs.CR cs.NI
Temporal Analysis Framework for Intrusion Detection Systems: A Novel Taxonomy for Time-Aware Cybersecurity
本文提出时间感知网络入侵检测的分类框架，通过综述40多项研究揭示流间序列与时间窗口方法覆盖MITRE ATT&CK全阶段，并指出数据集偏重后期攻击的问题，为主动防御奠定基础。
2025-11-05 cs.CR
A Review of Performance, Energy and Privacy of Intrusion Detection Systems for IoT
物联网（IoT）是一项颠覆性技术，其应用范围涉及交通和物流系统、智能电网、灵巧家庭、联网车辆和智能城市等多个领域。随着这些基础设施的增长，对这些基础设施的攻击的数量和种类也在增加，突出了不同保护机制的重要性。入侵检测是杰出的保护机制之一，最近为物联网和物联网建立有效的入侵检测做出了显著的努力。然而，这种基础设施的独特特征，包括电池功率，带宽和处理器开销，以及网络动态可以影响入侵检测系统的操作。本文对物联网系统的现有入侵检测系统进行了全面研究，包括新兴系统，如车联网（IoV）。本文分析了现有的系统在三个方面：计算开销，能源消耗和隐私的影响。在对现有入侵检测方法进行严格分析的基础上，本文还确定了针对资源受限的物联网系统及其应用（如IoV）的入侵检测系统的有效和协作设计所面临的挑战。这些努力旨在突出物联网入侵检测的最新技术水平，以及需要在这些系统中实现有效入侵检测的具体努力的开放挑战。
2018-12-21 cs.CR
Federated Intrusion Detection System Based on Unsupervised Machine Learning
针对监督学习标记负担重及数据隐私限制合作的问题，提出基于无监督学习的联邦IDS架构，并创新联邦K-means++初始化，在保持性能的同时增强隐私。
2025-03-28 cs.CR
Decentralized Online Federated G-Network Learning for Lightweight Intrusion Detection
Polish Academy of Sciences（波兰科学院）；University of Stuttgart（斯图加特大学）；CNRS（法国国家科学研究中心）；Yaşar University（亚萨尔大学）
本文提出基于G网络模型的去中心化在线联邦学习入侵检测架构DOF-ID，在保护各组件数据隐私的同时实现跨组件协作学习，并在Kitsune和Bot-IoT数据集上验证其显著提升检测性能。
2023-11-28 cs.CR cs.LG cs.NI
Intrusion Prediction with System-call Sequence-to-Sequence Model
互联网的先进发展促进了高效的信息交换，同时也被对手利用。入侵检测系统（IDS）作为网络安全防御的重要组成部分，一直是安全领域研究的热点。然而，对网络安全更为关键的入侵预测的研究却很少受到重视。我们认为，在安全防御中，先进的预测和及时的阻止入侵比简单的警报更重要。关于预测的一般研究方法是通过分析短期的系统调用来预测即将发生的异常行为。本文利用递归神经网络（RNN）在处理长序列问题上的优异性能，将序列到序列模型引入到入侵预测工作中。通过对系统调用的语义建模，我们建立了一个健壮的系统调用序列到序列预测模型。该模型以程序运行过程中调用的系统调用轨迹为已知前提，预测出在未来一段时间内最有可能执行的系统调用序列，从而实现对系统状态的监控和入侵行为的预测。实验结果表明，本文提出的预测方法在ADOID入侵检测测试数据集上取得了较好的预测性能。此外，预测的序列，结合已知的系统调用的痕迹，显着提高入侵检测性能的各种分类器上验证。
2018-08-06 cs.CR
An Interpretable Federated Learning-based Network Intrusion Detection Framework
Shanghai Jiao Tong University（上海交通大学）；Institute for Network Sciences and Cyberspace, Beijing National Research Center for Information Science and Technology, Tsinghua University（清华大学网络科学与网络空间研究院，北京信息科学与技术国家研究中心）
基于学习的网络入侵检测系统（NIDS）被广泛应用于防御各种网络攻击。现有的基于学习的网络入侵检测系统主要使用神经网络（NN）作为分类器，依赖于网络攻击数据的质量和数量。这种基于NN的方法也很难解释为提高效率和可扩展性。在本文中，我们设计了一个新的局部-全局计算范式，联邦森林，一个新的学习为基础的NIDS结合可解释的梯度提升决策树（GBDT）和联邦学习（FL）框架。具体而言，FEDFOREST由多个客户端组成，这些客户端为服务器提取本地网络攻击数据特征，以训练模型并检测入侵。FEDFOREST中还提出了一种隐私增强技术，以进一步消除FL系统的隐私。在4个不同任务的网络攻击数据集上的实验表明，FEDFOREST是有效的，高效的，可解释的，可扩展的。FEDFOREST在2021年中国大学生协作学习与网络安全竞赛中排名第一。
2022-01-10 cs.CR cs.LG
Intrusion Detection in Heterogeneous Networks with Domain-Adaptive Multi-Modal Learning
针对传统深度模型在异构网络入侵检测中依赖大量标注数据且泛化能力差的问题，提出融合多模态学习与域自适应的深度模型，以循环方式处理多源数据，显著提升分类性能。
2025-08-05 cs.CR
Federated Learning-Enhanced Blockchain Framework for Privacy-Preserving Intrusion Detection in Industrial IoT
针对工业物联网传统入侵检测的隐私、延迟与单点故障问题，提出结合联邦学习与区块链的FL-BCID框架，通过边缘协同训练与链上存证实现高准确率、低开销的隐私保护入侵检测。
2025-05-21 cs.CR
Integration of AI in Cybersecurity: Current Trends with a Focused Look at Intrusion Detection Applications
SIGL Laboratory, ENSATE, Abdelmalek Essaâdi University, Tetouan, Morocco（SIGL实验室、ENSATE、阿卜杜勒马利克·埃萨迪大学、突塔努安、摩洛哥）
本文综述了当前基于AI的网络安全趋势，重点分析入侵检测方法，通过比较不同AI技术和性能指标揭示有意义见解。
2026-05-17 cs.AI cs.CR cs.LG
RCNF: Real-time Collaborative Network Forensic Scheme for Evidence Analysis
网络取证技术通过监控和检查网络流量来帮助跟踪不同类型的网络攻击。然而，随着当前网络的高速和大规模，以及攻击者的复杂哲学，特别是模仿正常行为和/或擦除痕迹以避免检测，调查此类犯罪需要智能网络取证技术。提出了一种实时的【形】协同网络取证方案（RCNF），可以对网络入侵进行监测和调查。该方案包括捕获和存储网络数据，使用卡方方法选择重要的网络特征和调查异常事件，使用一种新的技术称为相关性变化三个组成部分。我们提供了一个案例研究，使用UNSW-NB 15数据集评估该计划，显示其高性能的准确性和误报率相比，最近的三个国家的最先进的机制。
2017-11-08 cs.CR
A review of Federated Learning in Intrusion Detection Systems for IoT
University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））
入侵检测系统正在发展成为智能系统，执行数据分析，搜索其环境中的异常。深度学习技术的发展为构建更复杂、更有效的威胁检测模型打开了大门。然而，在大多数物联网设备中，训练这些模型在计算上可能是不可行的。目前的方法依赖于从所有各方接收数据的强大的集中式服务器，这违反了基本的隐私限制，并由于巨大的通信开销而大大影响了响应时间和运营成本。为了缓解这些问题，联邦学习成为一种有前途的方法，其中不同的代理协作训练共享模型，既不向其他人暴露训练数据，也不需要计算密集型的集中式基础设施。本文主要研究联邦学习方法在入侵检测领域中的应用。这两种技术进行了详细描述，目前的科学进展进行了审查和分类。最后，本文强调了在最近的工作中存在的局限性，并提出了一些未来的发展方向，这项技术。
2022-04-29 cs.CR cs.LG
Enhancing Critical Infrastructure Cybersecurity: Collaborative DNN Synthesis in the Cloud Continuum
针对关键基础设施在云连续体中的网络安全挑战，本文提出利用训练好的边缘云模型合成中心云模型的方法，以降低计算复杂性和保持入侵检测准确性，并通过与传统及协作技术对比验证其有效性。
2024-05-23 cs.CR cs.NI
Multi-class Network Intrusion Detection with Class Imbalance via LSTM & SMOTE
针对网络入侵检测中稀有攻击类样本少导致的类别不平衡问题，提出结合SMOTE过采样和类别焦点交叉熵损失的LSTM多分类模型，在KDD99、CICIDS2017数据集上取得良好检测效果。
2023-10-03 cs.CR
AndroIDS : Android-based Intrusion Detection System using Federated Learning
针对安卓移动物联网设备易受攻击的问题，提出基于联邦学习的入侵检测框架AndroIDS，利用系统调用轨迹实现隐私保护的协作异常检测，在IID和非IID条件下分别达到96.46%和92.87%的准确率，验证了其鲁棒性和实际部署可行性。
2025-06-19 cs.CR
TabSec: A Collaborative Framework for Novel Insider Threat Detection
针对企业数据面临的内外威胁边界模糊、稀有攻击难检测的问题，提出融合IDS与UEBA的协作检测框架TabITD，结合TabNet稀疏注意力特征选择机制，提升检测性能，两数据集上平均准确率超96%。
2024-11-04 cs.CR
Collaborative Learning for Cyberattack Detection in Blockchain Networks
University of Technology Sydney (UTS)（悉尼科技大学）；Advanced Institute of Engineering and Technology (AVITECH)（先进工程技术学院）；University of Engineering and Technology, Vietnam National University, Hanoi（越南国家大学河内工程技术大学）；VNU Information Technology Institute（越南国家大学信息技术学院）
本文针对区块链网络层攻击，提出基于深度信念网络的协作学习检测框架，通过节点本地学习并共享知识，在保护隐私的同时实现高达98.6%的检测准确率。
2024-05-06 cs.CR cs.LG
EdgeDetect: Importance-Aware Gradient Compression with Homomorphic Aggregation for Federated Intrusion Detection
Istanbul Technical University（伊斯坦布尔理工大学）
EdgeDetect通过梯度智能压缩和同态加密，在带宽受限的6G-IoT环境中实现高效且隐私保护的联邦入侵检测，实验表明其在准确率、通信效率和隐私保护方面取得良好平衡。
2026-04-16 cs.CR
CyberNFTs: Conceptualizing a decentralized and reward-driven intrusion detection system with ML
University of Prishtina（普里什蒂纳大学）；University of Oslo（奥斯陆大学）
本文提出一种结合区块链、cyberNFT奖励、机器学习及发布/订阅架构的去中心化协作入侵检测系统概念模型，并通过概念验证和分析比较方法探讨其优势与局限。
2024-08-31 cs.AI cs.CR cs.LG
A Novel Byte-Level Flow-to-Image Encoding Method for Network Intrusion Detection Systems
Institute for Digital Technologies（数字技术研究所）；Loughborough University（拉夫堡大学）
本文提出一种将网络流记录转换为固定大小RGB图像的编码方法，通过将连续特征序列化并打包成倒L形轨迹，以及离散特征映射到字节值，从而提升卷积架构对特征间空间相关性的利用，实验表明该方法在多个数据集上提升了入侵检测的准确率。
2026-05-06 cs.CR
Collaborative Approaches to Enhancing Smart Vehicle Cybersecurity by AI-Driven Threat Detection
Cisco（思科公司）；York University（约克大学）
本文探讨通过AI驱动的威胁检测及5G、区块链、量子计算等先进技术集成，以协作方式增强智能车辆网络安全，并强调高效入侵检测系统与安全软硬件栈在未来自动驾驶车辆中的关键作用。
2024-12-31 cs.AI cs.CR
Mining Techniques in Network Security to Enhance Intrusion Detection Systems
University of Applied Sciences, Fulda（富尔达应用科学大学）
在入侵检测系统中，分类器仍然存在一些缺点，如数据的维数和优势，不同的网络特征类型，以及数据对分类的影响。在本文中，提出了两个显着的增强，以解决这些缺点。第一个增强是使用顺序向后搜索和信息增益的改进的特征选择。这反过来又提取了有价值的特征，这些特征积极地提高了检测率并降低了误报率。第二个改进是利用离散随机变量和概率质量函数将标称网络特征转换为数值特征，以解决不同特征类型的问题，数据优势问题以及数据对分类的影响。后者被结合到已知的归一化方法，以实现一个显着的混合归一化方法。最后，一个密集的比较研究证实了这些增强的效率，并显示出更好的性能相比，其他提出的方法。
2012-12-11 cs.CR cs.LG
Intrusion Detection based on Federated Learning: a systematic review
本文系统综述2018至2022年基于联邦学习的入侵检测研究，梳理模型、数据集、聚合函数与实现库，并指出挑战和未来方向。
2023-08-18 cs.CR
Attention Augmented GNN RNN-Attention Models for Advanced Cybersecurity Intrusion Detection
College of Information Science, University of Arizona, Tucson, AZ, USA（信息科学学院，亚利桑那大学，图森，亚利桑那州，美国）
在本文中，我们提出了一种新型的混合深度学习架构，该架构协同结合了图神经网络（GNNs），递归神经网络（RNN）和多头注意力机制，以显着增强网络安全入侵检测能力。通过利用包含不同网络流量模式的综合UNSW-NB 15数据集，我们的方法通过图形结构关系和网络事件的顺序分析有效地捕获空间依赖性和时间动态。集成的注意力机制提供了改进的模型可解释性和增强的特征选择的双重好处，使网络安全分析师能够将计算资源集中在高影响力的安全事件上-这是现代实时入侵检测系统的关键要求。我们广泛的实验评估表明，与传统的机器学习方法和独立的深度学习模型相比，所提出的混合模型在多个评估指标（包括准确度，精度，召回率和F1分数）上具有更好的性能。该模型在检测高级持续性威胁（APT）、分布式拒绝服务（DDoS）攻击和零日漏洞等复杂攻击模式方面具有特别强的性能，使其成为复杂网络环境中下一代网络安全应用的有前途的解决方案。
2025-10-29 cs.CR cs.LG
Towards Adapting Federated & Quantum Machine Learning for Network Intrusion Detection: A Survey
School of Information Technology, Deakin University（信息科技学院，德金大学）
本综述探讨联邦学习（FL）与网络入侵检测系统（NIDS）的集成，分析FL架构、隐私技术及量子联邦学习（QFL）潜力，通过比较研究勾勒工业应用路线图，为增强联邦入侵检测系统性能提供参考。
2025-11-12 cs.AI cs.CR
Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural Network
Indian Institute of Science（印度科学学院）；Southeast Missouri State University（东南密苏里州立大学）
边缘节点对于检测物联网端点上的大量网络攻击至关重要，并将成为数十亿行业的一部分。这种新的网络基础设施层中的资源约束限制了现有的具有深度学习模型（DLM）的网络入侵检测系统的部署。我们解决这个问题，通过开发一种新的轻，快速，准确的“边缘检测”模型，使用DLM技术检测边缘节点上的分布式拒绝服务攻击。我们的模型可以在资源限制下工作，即低功耗，内存和处理能力，以有意义的速度产生准确的结果。它是通过创建基于长短期记忆或门控递归单元的单元层来构建的，这些单元以其出色的顺序数据表示而闻名。我们设计了一个实用的数据科学管道，使用递归神经网络从网络数据包行为中学习，以识别它是正常的还是面向攻击的。模型评估来自使用当前网络安全数据集（UNSW 2015）在Raspberry Pi代表的实际边缘节点上的部署。我们的研究结果表明，与传统的DLM技术相比，我们的模型保持了99%的高测试精度，即使在CPU和内存方面的资源利用率较低。此外，它的尺寸比最先进的型号小近3倍，但需要的测试时间要短得多。
2021-02-03 cs.CR cs.LG cs.NI
TRIDEnT: Building Decentralized Incentives for Collaborative Security
复杂的大规模攻击，特别是利用零日漏洞时，有可能对组织和关键基础设施造成破坏性破坏。为了及时发现和遏制此类攻击，防御者之间的合作至关重要。通过关联来自多个来源的实时检测信息（警报）（协同入侵检测），防御者可以及时检测攻击并采取相应的防御措施。然而，尽管存在促进协作的技术工具，但这种协作安全机制在现实世界中的应用仍然不足。这在很大程度上是由于缺乏对公司和组织的信任和参与激励。本文提出了TRIDEnT，一种新型的协作平台，旨在使各方能够和激励各方交换网络警报数据，从而提高他们的整体检测能力。TRIDEnT允许可能存在竞争关系的各方以（近）实时对等流的形式有选择地宣传、销售和获取安全警报。为了验证TRIDEnT背后的基本原则，我们提出了一个直观的博弈论模型的警报共享，这是独立的利益，并表明，合作必然会发生无限频繁。此外，为了证明我们方法的可行性，我们使用以太坊智能合约以分散的方式实例化我们的设计，并提供一个功能齐全的原型。
2019-05-09 cs.CR
AoI-Guided Client Selection for Robust and Timely Federated Intrusion Detection in Cloud-Edge Security Analytics
King's College London（伦敦国王学院）
本文研究了在云边安全分析中如何通过时延感知的客户端选择提升联邦入侵检测的及时性和鲁棒性，提出三种轻量级策略并验证其有效性。
2026-05-07 cs.CR cs.DL
Intrusion Detection in Internet of Things using Convolutional Neural Networks
Cyber Security Strategic Technology Centre, ST Engineering Singapore（新加坡ST工程公司网络安全战略技术中心）
物联网（IoT）已成为满足行业需求的流行模式，如资产跟踪，资源监控和自动化。由于物联网设备在部署过程中往往忽略了安全机制，因此更容易受到使用先进技术的复杂和大容量入侵攻击。在过去的十年中，人工智能（AI）已被网络安全社区用于自动识别此类攻击。然而，深度学习方法尚未被广泛探索用于专门针对物联网的入侵检测系统（IDS）。最近的大多数工作都是基于时间序列模型，如LSTM，而CNN的研究很少，因为它们并不适合解决这个问题。在本文中，我们提出了一种新的解决方案，用于使用CNN对物联网设备进行入侵攻击。数据被编码为卷积运算，以从传感器数据中捕获对CNN检测攻击有用的模式。该方法集成了两个经典的CNN：ResNet和EfficientNet，其中检测性能进行了评估。实验结果表明，与使用LSTM的基线相比，真阳性率和假阳性率都有显着改善。
2022-11-18 cs.AI cs.CR cs.LG
F-ACVAE: A Federated Adaptive Conditional Variational Auto-Encoder for Privacy-Preserving Intrusion Detection in IoT Networks
Department of Computer Engineering, Ne. C., Islamic Azad University, Neyshabur, Iran（伊朗奈什巴尔伊斯兰Azad大学计算机工程系）
针对物联网设备网络中入侵检测面临的挑战，提出F-ACVAE框架，通过选择性参数聚合实现跨设备协作训练，引入新策略增强稳定性，实验表明其检测性能高且通信开销低。
2026-07-07 cs.CR cs.LG
Cybersecurity in Edge Computing: A Trust-Aware Federated Hybrid Intrusion Detection Framework
Victoria University（维多利亚大学）
针对边缘计算中扩大的攻击面，提出一种信任感知联邦混合入侵检测框架（TA-FHIDF），集成自动编码器、1D-CNN和BiLSTM进行本地特征提取，并通过联邦学习与余弦相似度聚合抵御投毒攻击，在多个基准数据集上验证了高准确性和拜占庭容错性。
2026-10-01 cs.CR cs.LG
OptiFLIDS: Optimized Federated Learning for Energy-Efficient Intrusion Detection in IoT
Laboratory of Research in Informatics (LaRI), Faculty of Sciences, Ibn Tofail University, Kenitra, Morocco（信息研究实验室（LaRI）、科学学院、伊本·托法尔大学、肯特拉，摩洛哥）
针对物联网入侵检测中联邦学习面临的数据异构和高能耗问题，提出OptiFLIDS方法，通过本地剪枝和定制聚合，在保持检测性能的同时提升能源效率。
2025-10-13 cs.AI cs.CR cs.LG
Federated Deep Learning for Intrusion Detection in IoT Networks
Cardiff University（卡迪夫大学）；Toshiba Europe Ltd.（东芝欧洲有限公司）
针对物联网入侵检测中的数据隐私和异质性问题，本文基于 TON-IoT 数据集评估了联邦学习入侵检测系统，并通过预训练初始全局模型使 F1 分数提升超 20%。
2023-08-04 cs.CR cs.LG
GowFed -- A novel Federated Network Intrusion Detection System
University of the Basque Country UPV/EHU（巴斯克大学 UPV/EHU）
网络入侵检测系统正在发展成为智能系统，在搜索环境中的异常的同时执行数据分析。事实上，深度学习技术的发展为构建更复杂、更有效的威胁检测模型铺平了道路。然而，在大多数边缘或IoT设备中，训练这些模型在计算上可能是不可行的。目前的方法依赖于从所有参与方接收数据的强大的集中式服务器-违反基本的隐私约束，并且由于巨大的通信开销而显著影响响应时间和运营成本。为了缓解这些问题，联邦学习成为一种有前途的方法，其中不同的代理协作训练共享模型，而不向其他人公开训练数据或需要计算密集型的集中式基础设施。这项工作提出了GowFed，一种新的网络威胁检测系统，结合使用高尔相异性矩阵和联邦平均。GowFed的不同方法已经基于最先进的知识开发出来：（1）香草版本;（2）带有注意力机制的版本。此外，每个变体都使用TensorFlow Federated框架提供的面向仿真的工具进行了测试。以同样的方式，联邦系统的集中式类似的开发进行探索他们的差异，在可扩展性和性能方面-在一组设计的实验/方案。总的来说，GowFed打算成为联合使用联邦学习和高尔相异矩阵来检测工业级网络中的网络威胁的第一个垫脚石。
2022-11-02 cs.CR cs.LG
Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning
针对异构IoT网络中集中式IDS的高延迟、隐私泄露和数据异构问题，提出FLEKD联邦学习框架，以集成知识蒸馏实现灵活聚合，提升检测速度、性能及未知攻击识别能力。
2024-01-22 cs.CR
Reliable Federated TinyML Deployment for IoT Security
The Pennsylvania State University（宾夕法尼亚州立大学）；Elizabethtown College（伊丽莎白敦学院）
本研究将联邦学习与TinyML模型压缩结合用于物联网入侵检测，通过服务器协调的余弦学习率调度将攻击召回率从46.7%提升至93.85%，实现轻量级隐私保护部署。
2026-09-24 cs.CR cs.LG
Segmented Federated Learning for Adaptive Intrusion Detection System
Pune Institute of Computer Technology（浦那计算机技术学院）
网络攻击是一个主要问题，它会给组织造成巨大的财务和声誉损害。然而，由于各种因素的影响，目前的网络入侵检测系统（NIDS）显得力不从心。主要的NIDS通过手工制作的规则数据集识别网络攻击。虽然最近机器学习和深度学习的应用减轻了NIDS的巨大努力，但网络数据的安全性一直是首要关注的问题。然而，遇到的安全问题，使组织之间的共享，联邦学习（FL）计划。虽然目前的FL系统已经取得了成功，但网络的数据分布并不总是适合FL中的单个全局模型。因此，在这种情况下，在FL中具有单个全局模型是不可行的。在本文中，我们提出了一个分段联邦学习（Segmented-FL）的学习计划，一个更有效的NIDS。分段FL方法采用周期性局部模型评估，基于该评估进行分段。我们的目标是将类似的网络环境带给同一个群体。此外，分段FL系统与基于工作者拥有的数据样本的数量的局部模型参数的加权聚合耦合，以进一步增强性能。与标准数据集上的FL和集中式系统相比，我们的系统性能的提高进一步验证了我们的系统，并为在各种任务中扩展我们的技术提供了强有力的理由。该解决方案适用于希望在不同网络环境中协作学习并保护个人数据集隐私的组织。
2021-07-02 cs.CR cs.DC cs.LG
A Cyber Threat Intelligence Sharing Scheme based on Federated Learning for Network Intrusion Detection
提出基于联邦学习的协作式威胁情报共享框架，允许多组织在不共享敏感数据的情况下联合训练网络入侵检测模型，并在NetFlow格式数据集上验证其有效性。
2021-11-04 cs.AI cs.CR cs.LG
Federated Learning in the Wild: A Comparative Study for Cybersecurity under Non-IID and Unbalanced Settings
Fondazione Bruno Kessler（布鲁诺·克塞勒基金会）；University of Trento（特伦托大学）
本研究系统比较多种联邦学习算法在非独立同分布和不平衡数据下对DDoS攻击的网络入侵检测性能，为实际部署提供选择依据。
2026-09-14 cs.CR
