ChatIDS: Advancing Explainable Cybersecurity Using Generative AI
Leipzig University(莱比锡大学);Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig(德累斯顿/莱比锡可扩展数据分析与人工智能中心)
ChatIDS利用生成式AI向非专业人士解释IDS警报,以提高家庭网络等的安全性,但需解决信任、隐私等伦理问题。
2026-09-17 cs.CR
Enhancing Anomaly-Based Intrusion Detection Systems with Process Mining
DIETI University of Naples Federico II(DIETI那不勒斯费德里科二世大学)
本文提出利用流程挖掘技术提升基于异常的入侵检测系统,通过提供基于流程的警报严重性评分和解释,优先处理关键警报并保持网络行为可见性,同时减少干扰。
2026-04-20 cs.CR cs.LG cs.NI
A Case for Network-wide Orchestration of Host-based Intrusion Detection and Response
本文提出一种中央编排器统一管理各主机IDS的网络范围防御方案,通过远程编程与实时告警收集实现协同响应,原型实验证明其能有效抵御真实攻击。
2025-04-08 cs.CR cs.NI
Data Mining with Big Data in Intrusion Detection Systems: A Systematic Literature Review
The University of Western Ontario(西安大略大学);University of Sharjah(沙迦大学)
云计算已经成为复杂、高性能和可扩展计算的强大和不可或缺的技术。云技术部署的指数级扩展已经从各种应用程序、资源和平台中产生了大量数据。反过来,数据创建的快速速度和数量已经开始对数据管理和安全性构成重大挑战。因此,在大数据环境中设计和部署入侵检测系统(IDS)已成为一个重要的话题。在本文中,我们对2013 - 2018年期间基于IDS的解决方案中使用的数据采掘技术(DMT)进行了系统的文献综述(SLR)。我们采用了基于标准的,有目的的抽样确定32篇文章,这构成了本调查的主要来源。在仔细研究了这些文章之后,我们确定了在IDS环境中部署的17个单独的DMT。本文还介绍了当前研究的各种工作的优点和缺点,这些工作实现了DMT和分布式流框架(DSF),以检测和/或防止大数据环境中的恶意攻击。
2020-05-23 cs.AI cs.CR cs.LG
Process Mining Algorithm for Online Intrusion Detection System
本文研究了进程挖掘在入侵检测中的应用。提出了一种新的基于过程挖掘的入侵检测系统数据预处理算法。该算法主要用于网络数据包的处理,在在线模式下能够很好地进行在线入侵检测。为了测试我们的算法,我们使用了包含几种常见攻击的CSE-CIC-IDS 2018数据集。利用该算法对数据包进行预处理后送入检测器。我们使用不同的机器学习(ML)模型作为分类器的算法的实验报告,以验证我们的算法的工作原理如预期;我们测试了异常检测方法的性能,以及现有的预处理工具CICFlowMeter的性能比较报告。
2022-05-24 cs.CR
RANK: AI-assisted End-to-End Architecture for Detecting Persistent Attacks in Enterprise Networks
Arctic Wolf Networks(北极狼网络公司)
高级持续性威胁(APT)是一种复杂的多步骤攻击,由熟练的攻击者针对现代政府和企业网进行计划和执行。入侵检测系统(IDS)和用户和实体行为分析(UEBA)通常用于帮助安全分析人员检测APT。APT的持久性,再加上UEBA和IDS的细粒度关注,导致分析师无法承受越来越多不切实际的警报。由于数据丰富,加上问题的重要性以及所涉及的技术人员的高成本,APT检测问题成为通过人工智能(AI)实现自动化的完美候选者。在本文中,我们提供了,据我们所知,第一个研究和实现的一个端到端的AI辅助架构检测APT- RANK。该系统的目标不是取代分析师,而是自动化从数据源到最终事件集的完整管道,以供分析师审查。该体系结构由四个连续的步骤组成:1)警报模板和合并,2)警报图构造,3)警报图划分为事件,和4)事件评分和排序。我们评估我们的架构对2000年DARPA入侵检测数据集,以及从一个中等规模的企业读取世界的私人数据集。提供了大量的结果,显示了三个数量级减少的数据量由分析师,创新的提取事件和安全明智的评分提取的事件。
2021-01-06 cs.CR cs.LG
Efficient Attack Correlation and Identification of Attack Scenarios based on Network-Motifs
用于保护计算机网络的入侵检测系统(IDS)将攻击的指示器报告为警报。但是,每次攻击都可能导致大量IDS警报,需要将这些警报关联起来才能看到攻击的全貌。在本文中,我们提出了一种相关的方法,将集群的警报到一个图形结构上,我们计算的网络图案的签名来表征这些集群。攻击特征的基序表示的幅度小于原始警报数据,但仍然允许有效地将攻击彼此进行比较并与参考签名进行关联。这不仅允许识别已知的攻击场景,例如,DDoS,扫描和蠕虫攻击,而且还可以为未知场景导出新的参考签名。我们的研究结果表明,一个可靠的识别方案,即使攻击的大小不同,至少略有不同的特点。应用于现实世界的警报数据,我们的方法可以分类和分配高达96%的攻击场景的所有攻击,并可以代表他们的特征,使用1%的大小的完整警报数据。
2020-03-12 cs.CR cs.NI
Relevant Feature Selection Model Using Data Mining for Intrusion Detection System
King Abdulaziz University(阿卜杜勒阿齐兹国王大学);Fayoum University(法尤姆大学)
近年来,由于计算机网络对关键系统的需求增加,网络入侵已经成为一种重大威胁。入侵检测系统(IDS)作为计算机网络的一种防御手段,已得到广泛的应用。从网络流量中提取的特征可以作为异常检测的标志。然而,随着网络流量的巨大化,采集到的数据中包含了无关和冗余的特征,影响了入侵检测系统的检测率,消耗了大量的系统资源,降低了入侵检测系统的训练和测试速度。本文提出了一种新的特征选择模型,该模型可以有效地选择与入侵检测最相关的特征。我们的目标是建立一个轻量级的入侵检测系统,使用减少功能集。删除不相关和冗余的特征有助于构建更快的训练和测试过程,从而减少资源消耗并保持高检测率。在KDD入侵检测数据集上的实验验证了该特征选择模型的有效性和可行性。实验结果表明,我们的模型不仅能够产生高的检测率,但也加快了检测过程。
2014-03-30 cs.CR cs.LG
CND-IDS: Continual Novelty Detection for Intrusion Detection Systems
University of California, San Diego(加利福尼亚大学圣迭戈分校)
针对数据流持续变化且攻击标签缺失的问题,本文提出 CND-IDS 框架,结合可更新特征提取器与 PCA 重构新颖性检测器,在真实数据集上显著优于无监督持续学习基线。
2025-02-19 cs.CR cs.LG
Securing Cluster-heads in Wireless Sensor Networks by a Hybrid Intrusion Detection System Based on Data Mining
基于路由器的无线传感器网络(CWSN)由于避免了远距离通信,节省了节点的能量,因此在相关应用中具有很大的吸引力。无线传感器网络的大多数应用的关键性和无人值守的性质,使得传感器节点往往容易受到多种类型的攻击。基于这一事实,很明显,簇头(CH)是攻击者最容易攻击的目标,并且根据其在CWSNs中的关键操作,攻击者的妥协和控制将破坏整个集群,有时甚至是整个网络,因此其安全性需要更多的关注和必须确保。在本文中,我们介绍了一个混合入侵检测系统(HIDS)的安全CH,采取基于异常和误用的检测方法的优点,即高检测和低误报率。此外,通过使用一种新的预处理模型,显着降低了所提出的IDS的计算和内存的复杂性,并最终允许使用的聚类算法it.Simulation结果表明,所提出的IDS相比,现有的作品,这往往有很高的计算和内存的复杂性,可以作为一个有效的和轻量级的IDS安全CH。
2019-11-26 cs.CR
Cry Wolf: Toward an Experimentation Platform and Dataset for Human Factors in Cyber Security Analysis
计算机网络防御是自动化系统和人类网络安全分析师之间的合作。系统行为,例如提高高比例的假警报,可能会影响网络分析师的性能。由于缺乏安全专家的访问、攻击数据集的可用性以及使用安全分析工具所需的培训,分析系统领域的实验具有挑战性。本文介绍了Cry Wolf,这是一个用于网络安全分析任务用户研究的开源Web应用程序。本文还提供了一个开放访问的数据集的73个真实和虚假的入侵检测系统(IDS)警报来自现实世界的例子“不可能的旅行”的情况。Cry Wolf和impossible travel数据集被用于一项实验,研究IDS误报率对分析人员将IDS警报正确分类为真警报或假警报的能力的影响。实验结果被用来评估数据集的质量,从经典的测试理论的难度和歧视指数的措施。数据集中的许多警报为参与者的整体任务表现提供了很好的区分。
2020-02-24 cs.CR cs.HC
A Hierarchical Security Events Correlation Model for Real-time Cyber Threat Detection and Response
针对入侵检测系统告警量大、人工分析效率低且现有告警关联依赖外部第三方系统的问题,提出一种在IDS分类前进行事件关联的分层模型,融合两类关联技术优势并定制专属算法,在DARPA 99数据集上实现87%数据缩减。
2025-01-18 cs.CR cs.DC
Generative AI and Federated Learning for Intrusion Detection Systems: A Survey
Department of Computer Science, New Mexico State University(新墨西哥州立大学计算机科学系);University of Hartford(哈特福德大学);DEVCOM Analysis Center(DEVCOM分析中心)
本文综述了生成式AI和联邦学习在入侵检测中的应用,涵盖模型分类、任务目标及集成方法,并讨论了数据质量、对抗风险等挑战。
2026-07-03 cs.AI cs.CR cs.LG
A Performance Comparison of Data Mining Algorithms Based Intrusion Detection System for Smart Grid
School of Electrical Engineering & Computer Science, University of North Dakota(北达科他大学电气工程与计算机科学学院);National Institute of Posts and Telecommunication(国家邮电学院)
智能电网是一项新兴的、有前途的技术。它利用信息技术的力量,智能地向客户提供电力,并允许集成绿色技术以满足环境要求。不幸的是,信息技术有其固有的脆弱性和弱点,使智能电网面临各种各样的安全风险。入侵检测系统(IDS)在保护智能电网网络和检测恶意活动方面发挥着重要作用,但它存在一些局限性。已经发表了许多研究论文,使用几种算法和技术来解决这些问题。因此,这些算法之间的详细比较是必要的。本文介绍了智能电网入侵检测系统中使用的四种数据采掘算法。这些算法的性能进行评估的基础上进行的几个指标,包括检测概率,虚警概率,漏检概率,效率和处理时间。实验结果表明,随机森林在检测攻击方面优于其他三种算法,具有较高的检测概率、较低的虚警概率、较低的漏检概率和较高的准确率。
2019-12-31 cs.CR cs.LG eess.SP
Using Rough Set and Support Vector Machine for Network Intrusion Detection
Chaoyang University of Technology(朝阳科技大学)
入侵检测系统(IDS)的主要功能是保护系统安全,分析和预测用户的行为。那么这些行为将被视为攻击或正常行为。虽然入侵检测系统已经发展了很多年,但是大量的返回警报消息使得管理人员对系统的维护效率很低。本文将粗糙集理论(Rough Set Theory)和支持向量机(支持向量机)相结合来检测入侵。首先,使用数据预处理器对数据进行预处理和降维。然后,将SVM选取的特征分别送入SVM模型进行学习和测试。该方法有效地降低了数据的空间密度。通过实验比较了不同方法的识别结果,结果表明,SVM和SVM模式可以有效地提高误检率和准确率。
2010-04-05 cs.CR cs.LG cs.NI
Visually Analyze SHAP Plots to Diagnose Misclassifications in ML-based Intrusion Detection
Tennessee Tech(田纳西理工大学);Syracuse University(雪城大学);Tennessee State University(田纳西州立大学)
本文提出一种基于可解释人工智能的可视化分析方法,利用重叠SHAP图识别入侵检测系统中的假阳性和假阴性,为安全分析师提供决策指导。
2024-11-04 cs.CR cs.LG
Intensive Preprocessing of KDD Cup 99 for Network Intrusion Classification Using Machine Learning Techniques
Prince Al-Hussein Bin Abdullah II Faculty of Information Technology, Hashemite University(哈希姆大学侯赛因·本·阿卜杜拉二世亲王信息技术学院);Princess Sumaya University for Technology(苏玛雅公主科技大学);University of Miskolc(米什科尔茨大学)
网络安全工程师通过处理入侵者攻击来保持服务始终可用。入侵检测系统(IDS)是一种可以检测和分类异常行为的机制。因此,IDS必须始终保持最新的入侵者攻击特征,以保持服务的机密性、完整性和可用性。入侵检测系统的速度是非常重要的问题,以及学习新的攻击。这项研究工作说明了如何知识发现和数据采掘(或数据库中的知识发现)KDD数据集是非常方便的测试和评估不同的机器学习技术。主要研究KDD的预处理部分,目的是为了准备一个像样的、公平的实验数据集。本研究选择了J48、随机森林、随机树、MLP、朴素贝叶斯和贝叶斯网络分类器。事实证明,随机森林分类器在检测和分类所有KDD数据集攻击(类型为DOS、R2L、U2R和PROBE)方面达到了最高的准确率。
2018-10-05 cs.CR cs.LG
Tracing Technique for Blaster Attack
2003年的Blaster蠕虫仍然存在,随着原始系统被清理或关闭,感染似乎已经成功转移到新的主机上,这表明Blaster蠕虫和其他类似的蠕虫在首次发布后的许多年内仍然是重大的互联网威胁。基于Blaster攻击在受害者日志、攻击者日志和IDS警报日志上的指纹,提出了从OSI不同层的日志中跟踪Blaster攻击的技术。研究人员打算对这种特殊的攻击进行初步调查,以便它可以用于警报相关性和计算机取证调查的进一步研究。
2009-08-25 cs.CR
Characterizing AI-Assisted Bot Traffic in Darknet Data: Implications for ICS and IIoT Security
School of Engineering and Applied Sciences, Washington State University Tri-Cities(华盛顿州立大学三城市分校工程与应用科学学院);Merit Network, Inc., University of Michigan(密歇根大学 Merit 网络公司)
本文通过分析2021-2025年间暗网数据中的1.92亿个被动数据包,研究了由AI辅助的机器人流量演变,揭示了其对工业控制系统安全的影响。
2026-05-14 cs.CR cs.NI
CyberRAG: An Agentic RAG cyber attack classification and reporting tool
University of Calabria(卡利博里大学);IMT School for Advanced Studies(IMT高级研究学院)
CyberRAG是一种基于代理的RAG框架,通过模块化设计实现网络攻击的实时分类、解释和结构化报告,提高检测准确性和可解释性。
2025-09-10 cs.AI cs.CR cs.SE