ADASYN-Random Forest Based Intrusion Detection Model
Zhejiang Normal University（浙江师范大学）；NingboTech University（浙大宁波理工学院）
入侵检测一直是网络安全领域的一个重要研究课题，而当今常见的网络威胁具有多样性和变异性的特点。针对入侵检测数据集严重不均衡会导致对小样本攻击行为分类性能低下，难以准确、高效地检测网络攻击的问题，提出采用自适应综合采样（ADASYN）方法对数据集进行均衡。另外，采用随机森林算法对入侵检测分类器进行训练。通过在CICIDS 2017数据集上的入侵检测对比实验，发现ADASYN与随机森林的性能更好。根据实验结果，分析了ADASYN在查准率、查全率、F1分数和AUC值等方面的改善情况。实验表明，该方法可应用于大数据量的入侵检测，有效提高网络攻击行为的分类准确率。与传统的机器学习模型相比，该模型具有更好的性能、泛化能力和鲁棒性。
2022-04-14 cs.CR cs.LG
Deep Adversarial Learning in Intrusion Detection: A Data Augmentation Enhanced Framework
University of Exeter（埃克塞特大学）；China University of Petroleum (East China)（中国石油大学（华东））
入侵检测系统（IDS）在识别网络系统中的恶意攻击和威胁方面发挥着重要作用。作为入侵检测系统的基本工具，基于学习的分类方法得到了广泛的应用。当涉及到检测小样本大小的网络入侵时（例如，新兴的入侵），训练样本的数量有限和比例不平衡通常会给监督和半监督分类器的训练带来重大挑战。在本文中，我们提出了一个通用的网络入侵检测框架，以解决\emph{data scarcity}和\emph{data imbalance}的挑战。所提出的框架的新颖之处在于将深度对抗学习与统计学习相结合，并利用基于学习的数据增强。针对少量网络入侵样本，首先推导出Poisson-Gamma联合概率生成模型，利用蒙特卡罗方法生成综合入侵数据。然后，这些合成数据通过对抗性学习由深度生成神经网络增强。最后，采用扩充后的入侵数据训练监督模型，用于检测网络入侵。在KDD Cup 99数据集上的实验结果表明，该框架在准确率、查准率、查全率和F1得分等方面均优于现有的基于学习的入侵检测系统。
2019-01-27 cs.CR cs.LG
LSTM-Based System-Call Language Modeling and Robust Ensemble Method for Designing Host-Based Intrusion Detection Systems
Seoul National University（首尔大学）
在计算机安全中，设计一个健壮的入侵检测系统是最基本和最重要的问题之一。在本文中，我们提出了一个系统调用语言建模的方法来设计基于异常的主机入侵检测系统。为了解决传统方法中常见的误报率高的问题，我们采用了一种新的集成方法，将多个阈值分类器混合成一个单一的，使其能够积累“高度正常”的序列。所提出的系统调用语言模型具有各种优点，这是由于它可以学习现有方法不能有效考虑的每个系统调用的语义含义和交互。通过在公共基准数据集上的多种实验，验证了该方法的有效性。此外，我们表明，我们的模型具有很高的可移植性，这是实现成功的入侵检测系统的关键方面之一。
2016-11-06 cs.CR cs.LG
A Review of Various Datasets for Machine Learning Algorithm-Based Intrusion Detection System: Advances and Challenges
C V Raman Global University（C·V·拉曼全球大学）
本文系统综述了基于机器学习的入侵检测系统常用数据集及SVM、KNN、RF、XGBOOST等分类方法，分析了各数据集面临的挑战，为后续IDS研究提供参考。
2025-06-03 cs.AI cs.CR cs.LG
Intrusion Detection Systems Using Support Vector Machines on the KDDCUP'99 and NSL-KDD Datasets: A Comprehensive Survey
Howard University（霍华德大学）；African Institute for Mathematical Sciences（非洲数学科学研究所）
随着网络攻击和网络间谍活动的不断增长，现在更加需要更好，更强大的入侵检测系统（IDS）。IDS的基本任务是充当第一道防线，检测互联网上的攻击。随着入侵者的入侵策略变得越来越复杂和难以检测，研究人员已经开始应用新的机器学习（ML）技术来有效地检测入侵者，从而保护互联网用户的信息和对整个互联网网络安全的整体信任。在过去的十年中，基于ML和深度学习（DL）架构的入侵检测技术在各种基于网络安全的数据集上的研究激增，例如DARPA，KDDCUP'99，NSL-KDD，CAIDA，CTU-13，UNSW-NB 15。在这项研究中，我们回顾了当代文献，并提供了一个全面的调查不同类型的入侵检测技术，适用于支持向量机（SVM）算法作为一个分类器。我们只关注在网络安全中最广泛使用的两个数据集上进行评估的研究，即KDDCUP'99和NSL-KDD数据集。我们提供了每种方法的总结，确定支持向量机分类器的作用，以及研究中涉及的所有其他算法。此外，我们提出了一个严格的审查每种方法，以表格形式，突出的性能指标，优势，和局限性的每一种方法的调查。
2022-09-12 cs.AI cs.CR cs.LG
Enhanced Intrusion Detection System for Multiclass Classification in UAV Networks
College of computing, Mohammed VI Polytechnic University（计算学院，穆莱·易斯·本·阿卜杜勒拉赫曼技术大学）；Ibn Tofail University, Faculty of Sciences, Laboratory of Research in Informatics (LaRI)（伊本·托法尔大学，科学学院，信息研究实验室（LaRI））
本文提出一种用于无人机网络的新型入侵检测系统，采用二元组编码类标签和深度学习方法进行多分类，并通过互相关研究剔除误导性特征，在UAV-IDS-2020数据集上实现了95%的准确率。
2024-06-14 cs.CR cs.LG
On the Cross-Dataset Generalization of Machine Learning for Network Intrusion Detection
Department of Electrical and Information Engineering, University of Cassino and Southern Latium（电气与信息工程系，卡斯ino和南部拉蒂姆大学）
本研究在跨数据集框架下评估机器学习NIDS的泛化能力，发现模型在同数据集表现完美但跨数据集效果接近随机，揭示了数据异常与异构性对泛化的严重阻碍。
2024-02-15 cs.CR cs.LG cs.NI
Benchmarking datasets for Anomaly-based Network Intrusion Detection: KDD CUP 99 alternatives
Amazon（亚马逊）；New York University（纽约大学）；Infosys（印孚瑟斯）；Samsung（三星）；Veermata Jijabai Technological Institute（韦尔马塔·吉贾拜理工学院）
机器学习在基于异常的网络入侵检测系统（A-NIDS）中的应用越来越受到关注。对这一领域的研究经常使用KDD~CUP~99数据集作为基准。一些研究质疑它的可用性，而构建一个当代的NIDS，由于倾斜的响应分布，非平稳性，并未能将现代攻击。在本文中，我们比较的性能KDD-99的替代品时，使用文献中常见的分类模型训练：神经网络，支持向量机，决策树，随机森林，朴素贝叶斯和K均值。应用SMOTE过采样技术和随机欠采样技术，我们创建了一个平衡版本的NSL-KDD，并证明了KDD-99和NSL-KDD中倾斜的目标类会阻碍分类器对少数类（U2 R和R2 L）的有效性，从而导致可能的安全风险。我们探索UNSW-NB 15，一个现代的KDD-99的替代品，具有更大的均匀性的模式分布。我们在SMOTE过采样之前和之后对该数据集进行基准测试，以观察对少数性能的影响。我们的研究结果表明，在二进制情况下，在UNSW-NB 15上训练的分类器与在NSL-KDD和KDD-99上训练的分类器的加权F1分数相匹配或更好，因此提倡UNSW-NB 15作为这些数据集的现代替代品。
2018-11-13 cs.AI cs.CR cs.LG
Evaluation of Machine Learning Algorithms for Intrusion Detection System
University of Miskolc（米什科尔茨大学）；Mutah University（穆塔大学）
入侵检测系统（IDS）是抵御恶意攻击的有效手段之一。此外，攻击者总是不断改变他们的工具和技术。然而，实现一个公认的IDS系统也是一项具有挑战性的任务。在本文中，几个实验已经进行和评估，以评估各种机器学习分类器的基础上KDD入侵数据集。它成功地计算了几个性能指标，以评估所选择的分类器。重点研究了误报和漏报性能指标，以提高入侵检测系统的检测率。实验结果表明，决策表分类器的误报率最低，而随机森林分类器的平均准确率最高。
2018-01-08 cs.CR cs.LG
Image Classifiers for Network Intrusions
PeopleTec, Inc.（PeopleTec 公司）
本研究将UNSW-NB 15中的网络攻击数据集重新转换为图像空间中的入侵检测问题。使用一热编码，生成的灰度缩略图为深度学习算法提供了25万个示例。应用MobileNetV 2的卷积神经网络架构，这项工作在区分正常和攻击流量方面的准确率达到97%。对9个单独攻击家族（漏洞、蠕虫、外壳代码）的进一步分类细化显示出总体56%的准确率。利用特征重要性排序，子集上的随机森林解决方案显示了最重要的源-目的地因素和最不重要的主要是模糊的协议。该数据集在Kaggle上可用。
2021-03-13 cs.CR cs.LG
Tree-based Intelligent Intrusion Detection System in Internet of Vehicles
Western University（西部大学）；National Research Council (NRC)（国家研究委员会）
自动驾驶汽车（AV）的使用是智能交通系统（ITS）中一项很有前途的技术，可以提高安全性和驾驶效率。车联网（V2X）技术可实现车辆和其他基础设施之间的通信。然而，自动驾驶汽车和车联网（IoV）容易受到不同类型的网络攻击，如拒绝服务，欺骗和嗅探攻击。提出了一种基于树结构机器学习模型的智能入侵检测系统。建议的入侵检测系统的标准数据集上的实施的结果表明，该系统有能力识别各种网络攻击的AV网络。此外，所提出的集成学习和特征选择方法，使所提出的系统，以实现高检测率和低计算成本的同时。
2022-10-05 cs.CR cs.LG stat.ML
Effective Metaheuristic Based Classifiers for Multiclass Intrusion Detection
University of Lahore（拉合尔大学）；NUCES（巴基斯坦国家计算机与新兴科学大学）
由于计算机网络和应用的指数增长，网络安全已经成为网络安全领域中最大的关注点。入侵检测在信息系统或网络设备的安全中起着重要的作用。入侵检测系统（IDS）的目的是检测恶意活动，然后针对这些活动生成警报。拥有大量的数据是检测攻击的关键问题之一。大多数入侵检测系统利用数据集的所有特征来评估模型，导致检测率低，计算时间长，占用大量计算机资源。为了快速检测攻击，IDS需要轻量级的数据。特征选择方法在选择最佳特征以实现最大精度方面起着关键作用。本研究工作通过考虑两个更新的攻击数据集UNSW-NB 15和CICDDoS 2019进行实验。提出了一种基于包装器的集成分类器遗传算法特征选择方法。遗传算法选择最佳的特征子集，并实现高精度，检测率（DR）和低误报率（FAR）相比，现有的方法。本文的研究重点是多类分类。实现两种集成方法：堆叠和装袋，以检测不同类型的攻击。实验结果表明，遗传算法显著提高了堆叠集成分类器的分类精度.
2022-10-06 cs.CR cs.LG
An Autonomous Intrusion Detection System Using an Ensemble of Advanced Learners
Iran University of Science and Technology（伊朗科技大学）
入侵检测系统（IDS）是现代计算机网络的重要安全组件。随着越来越多的敏感服务使用基于计算机网络的基础设施，入侵检测系统需要更加智能和自治。除了自主性之外，IDS的另一个重要特性是它能够检测零日攻击。为了解决这些问题，在本文中，我们提出了一个IDS，它减少了大量的手动交互和所需的专家知识，并能够在零日攻击下产生可接受的性能。我们的方法是并行使用三种学习技术：门控递归单元（GRU），卷积神经网络作为深度技术和随机森林作为集成技术。这些系统是并行训练的，结果在两种逻辑下组合：多数表决和“或”逻辑。我们使用NSL-KDD数据集来验证我们提出的系统的能力。仿真结果表明，该系统有可能在零日攻击下以非常低的技术人员交互操作。我们在NSL-KDD的“KDDTest+”数据集上实现了87：28%的准确率，在具有挑战性的“KDDTest-21”上实现了76：61%的准确率，并且训练时间更短，所需的计算资源更少。
2020-12-29 cs.LG stat.ML
Learning automata based SVM for intrusion detection
Shanghai Jiao Tong University（上海交通大学）
入侵检测是对计算机系统或网络中发生的事件进行监视，并对其进行分析，以发现可能的事件征兆的过程，是网络安全不可缺少的防御措施。它是判断事件是正常还是恶意的分类器。用于入侵检测的信息中含有一些冗余特征，这会增加入侵检测分类器的训练难度，增加预测时间。为了简化分类器的训练过程，提高分类器的效率，有必要去除这些冗余特征。本文提出了一种新的LA-SVM方法，用于自动去除入侵检测中的冗余特征。这是学习自动机解决降维问题的第一个应用。仿真结果表明，与传统的支持向量机相比，LA-SVM方法具有更高的预测精度和更高的预测效率。
2018-01-04 cs.CR cs.LG
Optimized IoT Intrusion Detection using Machine Learning Technique
Dept. of ECE North South University（电子工程系北南大学）
本研究提出一种基于五种机器学习算法（含随机森林等）的物联网入侵检测系统，通过特征选择与超参数调优，随机森林达最高准确率99.39%，优于以往研究。
2024-12-03 cs.CR cs.LG
A Comparative Analysis of Machine Learning Models for Intrusion Detection in Intelligent Transport Systems
Victoria University, Sydney, Australia（维多利亚大学，悉尼，澳大利亚）；University of New South Wales College, Sydney, Australia（新南威尔士大学学院，悉尼，澳大利亚）
本文研究了在边缘计算中提升延迟、带宽效率和服务响应性的机器学习模型，提出基于信任的联邦混合入侵检测框架，通过随机森林、决策树和线性SVM网络互补流量表示，并在服务器端进行信任感知的模型更新聚合。
2026-04-30 cs.CR cs.LG
MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection
Helmut Schmidt University（赫尔穆特·施密特大学）
针对合成流量基准的缺陷，本文提出基于MAWILAB真实骨干流量的MAWIFlow基准，对比传统机器学习与CNN-BiLSTM模型，证明后者在时间漂移下泛化更优，并公开全部资源以促进可复现评估。
2025-06-20 cs.AI cs.LG
Building an Efficient Intrusion Detection System Based on Feature Selection and Ensemble Classifier
Southeast University（东南大学）；National Key Laboratory of Science and Technology on Information System Security（信息系统安全技术国家重点实验室）
入侵检测系统（IDS）是在网络拓扑中广泛使用的技术之一，用于保护被保护系统中敏感资产的完整性和可用性。尽管机器学习领域的许多有监督和无监督学习方法已经被用来提高入侵检测系统的效率，但是现有的入侵检测算法仍然难以达到良好的性能。首先，高维数据集中存在大量冗余和不相关的数据，干扰了入侵检测系统的分类过程。其次，单个分类器在检测每种类型的攻击时可能表现不佳。第三，许多模型是为陈旧的数据集构建的，这使得它们对新攻击的适应性较差。因此，本文提出了一种基于特征选择和集成学习技术的入侵检测框架。在第一步中，提出了一种启发式算法CFS-BA进行降维，该算法根据特征之间的相关性选择最优子集。然后，我们介绍了一个集成的方法，结合C4.5，随机森林（RF），森林惩罚属性（森林PA）算法。最后，使用投票技术结合基学习器的概率分布进行攻击识别。使用NSL-KDD，AWID和CIC-IDS 2017数据集的实验结果表明，所提出的CFS-BA-Ensemble方法在几个指标下能够表现出比其他相关和最先进的方法更好的性能。
2020-04-02 cs.CR cs.LG
DeepAuditor: Distributed Online Intrusion Detection System for IoT devices via Power Side-channel Auditing
William & Mary（威廉与玛丽学院）；Old Dominion University（欧道明大学）
随着物联网设备数量的迅速增加，物联网僵尸网络已经利用了物联网设备的漏洞。然而，在大规模攻击之前检测物联网设备上的初始入侵仍然具有挑战性。最近的研究利用电源侧信道信息来识别物联网设备上的这种入侵行为，但仍然缺乏用于无处不在的僵尸网络检测的实时准确模型。我们提出了第一个在线入侵检测系统，称为DeepAuditor，用于通过电源审计的物联网设备。为了开发实时系统，我们提出了一个轻量级的电力审计设备称为电力审计。我们还设计了一个分布式CNN分类器，用于实验室环境中的在线推理。为了防止数据泄漏和减少网络冗余，我们提出了一个隐私保护的推理协议，通过压缩同态加密和滑动窗口协议在我们的系统。的分类精度和处理时间进行了测量，所提出的分类器优于基线分类器，特别是对看不见的模式。我们还证明了分布式CNN设计对任何分布式组件都是安全的。总的来说，这些测量结果表明了我们的实时分布式系统在物联网设备上进行入侵检测的可行性。
2022-05-10 cs.CR cs.LG
Performance Comparison and Implementation of Bayesian Variants for Network Intrusion Detection
University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
本研究实现并对比了三种贝叶斯分类器变体在网络入侵异常检测中的性能，发现分类器的分布假设是影响准确率的核心因素，其中Gaussian变体表现最优。
2023-08-22 cs.CR cs.LG
NAttack! Adversarial Attacks to bypass a GAN based classifier trained to detect Network intrusion
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
随着人工智能和机器学习的最新发展，可以使用机器学习方法来检测网络流量中的异常。在机器学习兴起之前，可能意味着攻击的网络异常是使用精心设计的规则来检测的。具有网络防御领域知识的攻击者可以进行有根据的猜测，有时可以准确预测网络防御机制正在关注的网络流量数据的哪些特定特征。有了这些信息，攻击者就可以绕过基于规则的网络防御系统。然而，随着机器学习在网络异常方面的进步，人类很难理解如何绕过网络防御系统。最近，对抗攻击已经变得越来越普遍，以击败机器学习算法。在本文中，我们表明，即使我们建立了一个分类器，并训练它与网络数据的对抗性的例子，我们可以使用对抗攻击，并成功地打破了系统。我们提出了一种基于生成对抗网络（GAN）的算法来生成数据，以训练一个高效的基于神经网络的分类器，然后我们使用对抗攻击来打破系统。
2020-02-20 cs.CR cs.LG
Improving Network Intrusion Detection Classifiers by Non-payload-Based Exploit-Independent Obfuscations: An Adversarial Approach
基于机器学习的入侵检测分类器能够检测到未知的攻击，但同时，它们可能容易被混淆技术规避。一个对手入侵者，拥有一个保护系统的关键知识，可以很容易地绕过检测模块。我们的工作的主要目标是提高入侵检测分类器对这样的对手的性能能力。为此，我们首先提出了几种基于网络连接的各种属性的修改的远程攻击的混淆技术，然后我们进行了一组全面的实验，以评估入侵检测分类器对混淆攻击的有效性。我们通过一个基于NetEm和Metasploit的工具来实例化我们的方法，该工具在任何TCP通信上实现了我们的混淆操作符。这使我们能够为机器学习实验生成修改后的网络流量，这些实验采用用于评估网络统计数据和TCP连接行为的功能。我们执行五个分类器的评估：高斯朴素贝叶斯，高斯朴素贝叶斯与核密度估计，逻辑回归，决策树，和支持向量机。我们的实验证实了这样一个假设，即在没有关于混淆攻击的先验知识的情况下训练的所有分类器都可以逃避入侵检测能力，从而导致TPR从7.8%到66.8%的恶化。此外，当通过混淆攻击的子集扩大分类器的训练知识时，我们实现了TPR的4.21% -73.3%的显着改善，而FPR仅略有恶化（0.1% - 1.48%）。最后，我们测试了模糊感知分类器检测未知模糊攻击的能力，其中大多数模糊攻击的平均检测率超过90%。
2018-12-12 cs.CR
Voting Classifier-based Intrusion Detection for IoT Networks
物联网（IoT）正在通过为边缘物理设备的管理铺平道路来改变人类的生活。这些互连的物联网对象共享数据以实现远程访问，并且容易受到开放式攻击和非法访问。入侵检测方法通常用于检测这类攻击，但使用这些方法，性能/准确性不是最佳的。本文提出了一种新的基于集合的投票分类器的入侵检测方法，该方法将多个传统分类器作为基础学习器，对传统分类器的预测结果进行投票，以得到最终的预测结果。为了测试所提出的方法的有效性，在一组七个不同的物联网设备上进行了实验，并测试了二进制攻击分类和多类攻击分类。结果表明，全球定位系统（GPS）传感器和天气传感器的精确度分别为96%和97%，其他机器学习算法的精确度分别为85%和87%。通过与其他传统机器学习方法的比较，验证了该算法的优越性。
2021-04-25 cs.CR
An Intelligent Mechanism for Monitoring and Detecting Intrusions in IoT Devices
University of Coimbra（科英布拉大学）；Instituto Pedro Nunes（佩德罗·努内斯研究所）
本研究提出一种基于主机的入侵检测系统，结合联邦学习与多层感知机神经网络，以高准确率检测IoT设备网络攻击并增强数据隐私保护。
2023-06-23 cs.AI cs.CR cs.DC
Hyperparameter Tuning-Based Optimized Performance Analysis of Machine Learning Algorithms for Network Intrusion Detection
C.V. Raman Global University（C.V.拉曼全球大学）
本研究通过超参数调优优化了多种机器学习算法，发现SVM在网络入侵检测中表现最佳，准确率高达99.12%。
2025-12-14 cs.CR cs.LG cs.NI
Enhancing Adversarial Robustness in Network Intrusion Detection: A Layer-wise Adaptive Regularization Approach
National Cyber Security Academy (NCSA)（国家安全学院（NCSA））；Air University（空军大学）；School of Science（科学学院）
本文提出LARAR方法，通过分层漏洞分析和自适应加权提升网络入侵检测系统对抗鲁棒性，实现95.01%的准确率并有效防御FGSM、PGD等攻击。
2026-05-09 cs.CR cs.LG
AI-based Two-Stage Intrusion Detection for Software Defined IoT Networks
Zhejiang University（浙江大学）
软件定义的物联网（SD-IoT）网络得益于集中管理和交互式资源共享，提高了物联网应用的效率和可扩展性。但随着服务和应用的快速增长，它很容易受到可能的攻击，并面临严峻的安全挑战。入侵检测已被广泛应用于网络安全，但传统的检测手段通常是基于特征或基于显式行为的，无法智能地检测未知攻击，难以满足SD-IoT网络的需求。在本文中，我们提出了一个基于人工智能的两阶段入侵检测软件定义技术授权。它以全局视角灵活捕获网络流量，并通过应用AI算法智能检测攻击。我们首先利用蝙蝠算法与群体划分和差分变异选择典型特征。然后，我们利用随机森林，通过自适应地改变样本的权重加权投票机制来分类流。评价结果表明，改进后的智能算法选择了更多的重要特征，在流分类中取得了更好的性能。实验结果表明，与现有的入侵检测方案相比，智能入侵检测具有更高的准确性和更低的开销。
2018-06-07 cs.AI cs.CR
A Machine Learning Based Intrusion Detection System for Software Defined 5G Network
College of Information Science & Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）
作为未来5G网络的必然趋势，软件定义架构在提供集中控制和灵活资源管理方面具有诸多优势。但它也面临着各种安全挑战和新兴服务和技术的潜在威胁。入侵检测系统（IDS）作为网络安全的焦点，通常是分散部署，缺乏协作.它们也无法检测到智能能力有限的新型攻击，这难以满足软件定义的5G需求。本文提出了一种基于软件定义5G架构的智能入侵系统，该系统结合了软件定义技术和人工智能的先进技术。它灵活地将安全功能模块与全局视图相结合，在集中管理和控制下自适应地调用。它还可以通过使用机器学习算法来处理未知的入侵。评估结果表明，智能入侵检测系统达到了较好的性能。
2017-07-10 cs.AI cs.CR cs.NI
SoK: Realistic Adversarial Attacks and Defenses for Intelligent Network Intrusion Detection
School of Engineering, Polytechnic of Porto (ISEP/IPP)（波尔图理工学院工程学院（ISEP/IPP））
本文系统梳理了面向网络入侵检测的对抗攻击与防御方法，重点分析如何生成符合真实网络协议约束的对抗样本，并提出了现实性基本属性与实验指导原则。
2023-08-13 cs.CR cs.LG cs.NI
A Novel Hierarchical Intrusion Detection System based on Decision Tree and Rules-based Models
提出了一种新的入侵检测系统（IDS），它结合了基于决策树和规则的概念，即REP树、JRip算法和Forest PA。具体地，第一和第二方法将数据集的特征作为输入，并将网络流量分类为攻击/良性。除了第一和第二分类器的输出之外，第三分类器还使用初始数据集的特征作为输入。通过使用CICIDS 2017数据集分析所提出的IDS获得的实验结果证明，与现有技术相比，它们在准确性，检测率，误报率和时间开销方面具有优越性。
2018-12-21 cs.CR
Towards an Efficient Anomaly-Based Intrusion Detection for Software-Defined Networks
Ozyegin University（奥兹耶金大学）；Ege University（埃格大学）
软件定义网络（SDN）是允许开发更灵活的网络应用的新范例。SDN控制器是一个集中式的控制点，负责运行各种网络应用，并维护不同的网络服务和功能。选择高效的入侵检测系统有助于减少运行控制器的开销，并创建更安全的网络。在这项研究中，我们研究了著名的基于异常的入侵检测方法的准确性，误报率，精度，召回率，f1-措施，ROC曲线下的面积，执行时间和Mc Nemar的测试方面的性能。准确地说，我们专注于监督机器学习方法，其中我们使用以下分类器：决策树（DT）、极限学习机（ELM）、朴素贝叶斯（NB）、线性判别分析（LDA）、神经网络（NN）、支持向量机（SVM）、随机森林（RT）、K最近邻（KNN）、AdaBoost、RUSBoost、LogitBoost和BaggingTrees，我们使用著名的NSL-KDD基准数据集来比较这些分类器中每一个的性能。
2018-08-19 cs.CR cs.LG
Intrusion Detection and identification System Design and Performance Evaluation for Industrial SCADA Networks
在本文中，我们提出了一个研究，提出了一个三阶段的分类器模型，采用机器学习算法开发的入侵检测和识别系统的数十种不同类型的攻击对工业SCADA网络。根据使用天然气管道SCADA网络的实验室原型生成的数据对机器学习分类器进行训练和测试。该数据集由三个攻击组和七个不同的攻击类别或类别组成。同一数据集还提供了与这七种攻击类别相关的35种不同类型的子攻击的签名。该研究需要设计三阶段的机器学习分类器作为误用入侵检测系统，以检测和识别35个攻击子类中的每一个。分类器的第一阶段决定记录是否与正常操作或攻击签名相关联。如果发现该记录属于攻击特征，则在第二阶段中，将其分类为七种攻击类别之一。基于由来自第二级分类器的输出确定的所识别的攻击类别，为第三级子攻击分类提供攻击记录，其中采用七个不同的分类器。来自第三阶段分类器的输出标识记录所属的子攻击类型。仿真结果表明，设计探索专业化领域或执行多个阶段与单阶段设计的分类是有前途的问题，有几十个类。与文献中的研究比较也表明，多级分类器的性能明显更好。
2020-12-17 cs.CR
Machine Learning Based Intrusion Detection Systems for IoT Applications
物联网（IoT）及其应用是目前最热门的研究领域。物联网的特性一方面使其易于应用于现实生活中的应用，而另一方面又使其面临网络威胁。拒绝服务（DoS）是针对物联网的最具灾难性的攻击之一。在本文中，我们研究了使用机器学习分类算法来保护物联网免受DoS攻击的前景。本文对分类器进行了全面的研究，以期对基于异常的入侵检测系统的发展起到推动作用。分类器的性能评估是在突出的指标和验证方法。流行的数据集CIDDS-001，UNSW-NB 15和NSL-KDD用于基准分类器。采用Friedman和Nemenyi检验对分类器之间的显著性差异进行统计分析。此外，Raspberry Pi还用于评估物联网特定硬件上分类器的响应时间。我们还讨论了根据应用程序的要求选择最佳分类器的方法。本研究的主要目标是激励物联网安全研究人员使用集成学习开发IDS，并提出适当的方法对分类器的性能进行统计评估。
2023-02-24 cs.CR cs.NI
Elevating Intrusion Detection and Security Fortification in Intelligent Networks through Cutting-Edge Machine Learning Paradigms
Department of Computer Science and Technology, Beijing Institute of Technology（计算机科学与技术系，北京理工大学）；Department of Quantitative Methods and Economic Informatics, Faculty of Operation and Economics of Transport and Communication, University of Zilina（定量方法与经济信息学系，交通与通信运营经济学院，扎林大学）；Department of Telecommunications, Faculty of Electrical Engineering and Computer Science, VSB-Technical University of Ostrava（电信系，电气工程与计算机科学学院，奥斯特拉瓦技术大学）；Department of AI and Software, Gachon University（人工智能与软件系，高丽大学）；Department of Applied Informatics, Kimyo International University in Tashkent（应用信息学系，塔什干国际大学）
本文提出一种基于机器学习的入侵检测框架，通过特征选择和集成学习提升检测准确率和减少误报率，有效应对物联网中的无线网络攻击。
2025-12-22 cs.CR cs.LG
STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion Detection System for Intelligent Connected Vehicles
Shanghai Jiao Tong University（上海交通大学）；Jiangsu University（江苏大学）；Southern University of Science and Technology（南方科技大学）
入侵检测是汽车通信安全的重要防御措施。准确的帧检测模型帮助车辆避免恶意攻击。攻击方法的不确定性和多样性使这项任务具有挑战性。然而，现有的工作有局限性，只考虑局部特征或多个特征的弱特征映射。为了解决这些局限性，我们提出了一种新的汽车入侵检测模型的时空相关功能的车载通信流量（STC-IDS）。具体而言，所提出的模型利用编码检测架构。在编码器部分，空间和时间关系被同时编码。为了加强特征之间的关系，基于注意力的卷积网络仍然捕获空间和通道特征以增加感受野，而注意力-LSTM则从先前的时间序列或关键字节中构建有意义的关系。然后将编码的信息传递到检测器，用于生成强有力的时空注意力特征并实现异常分类。特别地，单帧和多帧模型被构造以分别呈现不同的优点。在基于贝叶斯优化的自动超参数选择下，模型被训练以获得最佳性能。基于真实车辆攻击数据集的大量实证研究表明，STC-IDS的性能优于基线方法，在保持效率的同时获得更少的误报率。
2022-08-10 cs.AI cs.CR
Intelligent Green Efficiency for Intrusion Detection
Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD)（智能工程与先进创新发展计算研究组（GECAD））；School of Engineering, Polytechnic of Porto (ISEP/IPP)（波尔图理工学院工程学院（ISEP/IPP））
本文评估了不同编程语言和特征选择方法对网络入侵检测中AI模型计算效率的影响，发现特征选择可在不损失检测准确性的前提下提升计算效率，为设计高效可持续的Green AI系统提供了参考。
2024-11-11 cs.CR cs.LG cs.PF
Performance evaluation of Machine learning algorithms for Intrusion Detection System
本文基于KDD CUP-'99'数据集评估多种机器学习分类器在入侵检测中的表现，并使用准确率、精确率、召回率和F1度量比较其性能。
2023-10-01 cs.CR
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
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
IIDS: Design of Intelligent Intrusion Detection System for Internet-of-Things Applications
针对物联网安全攻击和不平衡数据集导致检测性能下降的问题，提出一种基于随机森林算法的机器学习入侵检测系统框架，在CICIoT2023数据集上显著提升了精确率、召回率和F1分数。
2023-08-02 cs.CR
A Novel Approach To Network Intrusion Detection System Using Deep Learning For Sdn: Futuristic Approach
Karabük University（卡拉比克大学）
软件定义网络（SDN）是改变传统网络架构的下一代网络。SDN是改变互联网网络架构的有前途的解决方案之一。由于SDN架构的集中化性质，攻击变得更加常见。为SDN提供安全性至关重要。在这项研究中，我们提出了一个网络入侵检测系统-深度学习模块（NIDS-DL）的方法在SDN的上下文中。我们建议的方法结合了网络入侵检测系统（NIDS）与许多类型的深度学习算法。我们的方法采用了12个特征提取的41个特征在NSL-KDD数据集使用特征选择方法。我们使用了分类器（CNN、DNN、RNN、LSTM和GRU）。当我们比较分类器得分时，我们的技术分别产生了（98.63%，98.53%，98.13%，98.04%和97.78%）的准确率结果。我们的新方法（NIDS-DL）的新颖性使用了5个深度学习分类器，并对数据集进行了预处理，以获得最佳结果。我们提出的方法是成功的二进制分类和检测攻击，这意味着我们的方法（NIDS-DL）可能会在未来使用的效率很高。
2022-08-03 cs.AI cs.CR cs.LG
nCMD: Benign-Anchored Feature Selection for Imbalanced Network Intrusion Detection
Department of Computer Science（计算机科学系）；New Mexico State University（新墨西哥州立大学）；Graduate School of Informatics（信息科学研究生院）；Osaka Metropolitan University（大阪 Metropolitan 大学）
提出良性锚定类均值偏差（nCMD）方法，通过计算攻击类分布与良性类均值的偏差进行特征选择，在四个基准数据集上优于传统过滤方法，尤其适用于特征预算紧张和类别严重不平衡的场景。
2026-09-29 cs.CR cs.LG
Towards Autonomous Cybersecurity: An Intelligent AutoML Framework for Autonomous Intrusion Detection
Ontario Tech University（安大略理工大学）；Western University（西安大略大学）
本文提出基于 AutoML 的自主入侵检测框架，自动完成数据平衡、特征选择、模型调优与集成，并在 CICIDS2017 和 5G-NIDD 上验证其优于现有方法。
2024-09-05 cs.CR cs.LG cs.NI
Intrusion Detection in Mobile Ad Hoc Networks Using Classification Algorithms
在本文中，我们提出的设计和评估的入侵检测模型的MANNETWORK使用监督分类算法。具体而言，我们评估的多层感知器（MLP），线性分类器，高斯混合模型（GMM），朴素贝叶斯分类器和支持向量机（SVM）的性能。分类算法的性能进行评估，在不同的流量条件和移动模式的黑洞，伪造，丢包，洪水攻击。结果表明，支持向量机对几乎所有的模拟攻击都表现出很高的准确性，丢包是最难检测的攻击。
2008-07-13 cs.CR cs.NI
An Adversarial Approach for Explainable AI in Intrusion Detection Systems
Virginia Commonwealth University（弗吉尼亚联邦大学）
尽管现代机器学习技术（例如深度神经网络）在网络安全应用中越来越受欢迎，但这些模型中的大多数对于用户来说都被视为黑匣子。对抗性机器学习提供了一种方法来增加我们对这些模型的理解。在本文中，我们提出了一种方法来产生不正确的分类数据驱动的入侵检测系统（IDS）的解释。对抗方法用于找到正确分类给定的一组错误分类样本所需的最小修改（输入特征）。这种修改的幅度用于可视化解释错误分类原因的最相关特征。所提出的方法产生了令人满意的解释，描述了错误分类背后的推理，与专家知识相匹配的描述。所提出的方法的优点是：1）适用于具有定义的梯度的任何分类器。2)不需要对分类器模型进行任何修改。3)可以扩展到执行进一步的诊断（例如脆弱性评估），并获得对系统的进一步了解。使用线性和多层感知器分类器对NSL-KDD 99基准数据集进行了实验评估。使用直观的可视化显示结果，以提高结果的可解释性。
2018-11-28 cs.CR cs.LG stat.ML
Computational Intelligence based Intrusion Detection Systems for Wireless Communication
无处不在和普适计算的新兴趋势旨在将微处理器嵌入日常设备（诸如手表、智能电话、家庭视频系统、自动对焦相机、智能车辆、乐器、厨房电器等）中，并赋予它们无线通信能力。这种先进的计算模式，也称为物联网或网络物理计算，导致互联网和计算出现在任何地方，使用任何设备和位置。在最大限度地欣赏和适当考虑不断互联网实用程序的演变弧线，深度和范围的情况下，同样有必要设想互联网免费和无处不在的可用性所带来的安全和数据保密性挑战。本文分析了计算智能技术的作用，设计自适应和认知入侵检测系统，可以有效地检测恶意网络活动，并提出了新的三层架构设计智能入侵检测系统的无线网络。
2021-04-22 cs.CR cs.NI
REACT: Autonomous Intrusion Response System for Intelligent Vehicles
针对智能网联汽车现有入侵响应依赖安全运营中心、耗时且扩展性不足的问题，提出车载动态入侵响应系统REACT，含响应列表、评估与选择方法，经嵌入式平台与两个攻击用例验证，具备响应快、占存小、可动态调参等优势。
2024-01-16 cs.CR
Fast Feature Reduction in intrusion detection datasets
Ferdowsi University of Mashhad（马什哈德菲尔多西大学）；K.N Toosi University of Technology（K.N.图西理工大学）
在大多数入侵检测系统中，系统通过分析网络中发送或接收的数据包来学习不同类型攻击的特征。这些包有很多功能。但并非所有这些都需要进行分析，以检测特定类型的攻击。检测速度和计算成本是另一个至关重要的问题，因为在这些类型的问题中，数据集通常非常庞大。在本文中，我们试图提出一个非常简单和快速的特征选择方法，以消除功能，他们没有帮助的信息。从而在冗余特征的剔除过程中获得更快的学习速度。我们比较了我们提出的方法与三个最成功的基于相似性的特征选择算法，包括相关系数，最小二乘回归误差和最大信息压缩指数。之后，我们使用这些算法的推荐功能在两个流行的分类器，包括：贝叶斯和KNN分类器来衡量推荐的质量。实验结果表明，虽然该方法不能优于评价算法的精度差异很大，但在计算成本，它比他们有巨大的优势。
2013-04-01 cs.CR cs.LG
Bayesian Hyperparameter Optimization for Deep Neural Network-Based Network Intrusion Detection
Kennesaw State University（肯尼索州立大学）；Florida International University（佛罗里达国际大学）；United International University（联合国际大学）；University of Calabria（卡拉布里亚大学）；LORIA（洛林计算机科学及其应用实验室）；Tuskegee University（塔斯基吉大学）
传统的网络入侵检测方法在对抗现代、复杂和不可预测的安全攻击时遇到了可行性和可持续性问题。深度神经网络（DNN）已成功应用于入侵检测问题。基于DNN的分类器的最佳使用需要仔细调整超参数。手动调整超参数是繁琐、耗时且计算昂贵的。因此，需要一种自动技术来找到最佳超参数，以便在入侵检测中最好地使用DNN。本文提出了一种新的基于贝叶斯优化的框架，用于自动优化超参数，确保最佳DNN架构。我们评估了NSL-KDD，网络入侵检测的基准数据集上的性能所提出的框架。实验结果表明，该框架的有效性，作为结果DNN架构表现出显着更高的入侵检测性能比随机搜索优化为基础的方法在准确性，精度，召回率和f1分数。
2022-07-07 cs.CR cs.LG
Detecting Unknown Attacks in IoT Environments: An Open Set Classifier for Enhanced Network Intrusion Detection
Texas A&M University（德克萨斯农工大学）；United States Military Academy（美国军事学院）
针对 IoT 网络入侵检测中的未知攻击识别问题，提出结合流量图像表示、stacking 与子聚类的开放集识别框架，未见攻击检测率达 88%。
2023-09-28 cs.AI cs.CR cs.CV
A consensus based network intrusion detection system
网络入侵检测是识别针对网络及其资源的恶意行为的过程。目前的系统实现入侵检测过程中观察流量在网络中的几个数据收集点，但分析往往是集中或部分集中。这些系统是不可扩展的，并且遭受单点故障，即攻击者只需要针对中心节点来危害整个系统。本文提出了一种基于异常的分布式网络入侵检测系统，在每个数据采集点使用朴素贝叶斯分类器进行分析。每个分类器计算的概率值使用迭代平均共识协议在节点之间共享。最终分析在每个数据收集点的级别上冗余地并行执行，从而避免了单点故障问题。我们运行的模拟集中在DDoS攻击与几个网络配置，比较我们的完全分布式系统的准确性与层次。我们还分析了共识阶段的通信成本和收敛速度。
2015-09-15 cs.CR
Intrusion Detection in Internet of Vehicles Using Machine Learning
Department of Computational, Engineering, and Mathematical Sciences（计算、工程和数学科学系）；Texas A&M University - San Antonio（德克萨斯A&M大学-圣安东尼奥）
本研究利用机器学习方法，基于CiCIoV2024数据集对车联网中的恶意CAN总线流量进行分类，以检测和识别针对关键车辆参数的攻击。
2025-12-16 cs.CR cs.LG
An Adaptable Deep Learning-Based Intrusion Detection System to Zero-Day Attacks
Sharif University of Technology（谢里夫理工大学）
入侵检测系统（IDS）是计算机网络安全监控的重要组成部分。IDS区分恶意流量和良性流量，并确定针对组织资产的攻击类型。IDS的主要挑战是面临新的（即，零日）攻击，并将它们与良性流量和现有类型的攻击分开。随着基于深度学习的IDS在自动提取高级特征方面的强大功能及其与耗时且昂贵的签名提取过程的独立性，在新一代IDS中仍然存在上述挑战。在本文中，我们提出了一个基于深度学习的IDS解决新攻击的框架。该框架是第一种在安全范围内使用基于深度新颖性的分类器以及基于深度结构的专用层的传统聚类的方法。此外，我们引入DOC++作为DOC的新版本，作为一个深度新颖的分类器。我们还在预处理阶段采用了深度入侵检测（DID）框架，这提高了深度学习算法检测基于内容的攻击的能力。我们比较了四种不同的算法（包括DOC，DOC++，OpenMax和AutoSVM）作为框架的新颖性分类器，并使用CIC-IDS 2017和CSE-CIC-IDS 2018数据集进行评估。我们的研究结果表明，DOC++是开集识别模块的最佳实现。此外，聚类和后训练阶段的完备性和同质性证明了该模型对于监督标记和更新阶段是足够好的。
2021-08-20 cs.CR cs.LG cs.NI
Intelligent Detection System framework using Mobile agents
基于移动代理的入侵检测系统框架是一种分层的框架机制，旨在支持异构网络环境，以最佳方式识别入侵者。传统的计算机误用检测技术可以有效地识别已知的攻击，但在其他情况下表现得很差。异常检测具有检测未知攻击的潜力;然而，这是一项非常具有挑战性的任务，因为其目的是在没有任何关于特定入侵的先验知识的情况下检测未知攻击。这项技术仍处于早期阶段。本文的目标是该系统可以检测到异常的用户活动。现有的研究在这一领域集中在用户活动或程序操作，但不是同时在这两个。在本文中，试图同时看两个。基于一个入侵检测框架[1]，实现了一个新的用户异常检测系统，并通过分析用户活动和程序运行活动，在模拟环境中进行了多个入侵检测实验。建议的框架是一个分层的框架，这是为了满足IDS的核心目的，并允许检测入侵尽可能快地与可用的数据使用移动代理。该框架的主要目的是提供安全的网络使用移动代理机制，增加移动功能，以监视来自不同的计算系统的用户进程。实验结果表明，该系统能够有效地检测用户的异常行为。
2010-04-05 cs.CR cs.NI
