Poison is Not Traceless: Fully-Agnostic Detection of Poisoning Attacks
The University of Auckland(奥克兰大学)
本文提出完全无关的污染攻击检测框架DIVA,仅通过分析潜在被污染数据集,利用Complexity Measures预训练元学习器估计干净数据上的准确率,从而检测通用污染攻击,并在label-flipping攻击上进行了验证。
2023-10-24 cs.CR cs.LG
MANTIS: Detection of Zero-Day Malicious Domains Leveraging Low Reputed Hosting Infrastructure
针对现有机制难以及时检测利用规避技术的短期恶意域名的问题,本研究构建MANTIS系统,基于托管基础设施设计网络图,以内容无关方法早期检测恶意域名,实现高精度低误报,检测效率超VirusTotal 5倍且可提前预测。
2025-02-13 cs.CR
COBRA: A Content-Agnostic Framework for Zero-Day Detection of Suspicious Domains
Foundation for Research and Technology - Hellas (FORTH)(希腊研究与技术基金会);University of Crete(克里特大学);Keysight AI Labs(是德科技AI实验室)
COBRA提出一种内容无关的注册时检测框架,通过聚类新注册域名的词汇和结构特征,在零日实现高精度(98.5%)可疑域名检测,并比传统威胁情报服务提前识别80%的恶意域名。
2026-09-23 cs.CR
"How Does It Detect A Malicious App?" Explaining the Predictions of AI-based Android Malware Detector
ST Engineering(ST工程公司)
AI方法已被证明在Android恶意软件检测方面具有令人印象深刻的性能。然而,大多数基于人工智能的方法以黑箱的方式对可疑样本进行预测,而模型的推理不透明。网络安全和人工智能从业者对模型的可解释性和透明度的期望,以确保可信度增加。在这篇文章中,我们提出了一种新的模型不可知解释方法,用于Android恶意软件检测的AI模型。我们所提出的方法通过两个步骤来识别和量化与预测相关的数据特征:i)数据扰动,通过操纵特征值来生成合成数据; ii)优化特征属性值,以在具有最小特征值变化的扰动数据上寻求预测得分的显著变化。三个实验验证了所提出的方法。我们首先证明了我们提出的模型解释方法可以帮助发现AI模型如何被对抗样本定量地规避。在接下来的实验中,我们将我们提出的方法的可解释性和保真度分别与最先进的方法进行比较。
2021-11-06 cs.AI cs.CR cs.LG
MalGuard: Towards Real-Time, Accurate, and Actionable Detection of Malicious Packages in PyPI Ecosystem
针对PyPI恶意包检测中传统ML模型特征分析成本高、缺乏可解释性的问题,提出结合图中心性分析、LLM与LIME算法的MalGuard方法,在提升检测精度的同时实现可解释性,还发现了大量未知恶意包。
2025-06-17 cs.CR
SIGL: Securing Software Installations Through Deep Graph Learning
Harvard University(哈佛大学);NEC Laboratories America(美国NEC实验室);University of Bristol(布里斯托大学);Peking University(北京大学);University of British Columbia(不列颠哥伦比亚大学)
许多用户默认软件只有在安装后才能被利用。然而,最近的供应链攻击表明,必须在安装过程中确保应用程序的完整性。我们介绍了SIGL,一个新的工具,用于检测软件安装过程中的恶意行为。SIGL收集系统调用活动的痕迹,构建数据起源图,使用一种新型的自动编码器架构进行分析,该架构具有用于编码器的图长短期记忆网络(图LSTM)和用于解码器的标准多层感知器。SIGL标记可疑安装以及可能是恶意的特定安装时进程。使用包含真实恶意软件的625个恶意安装程序的测试语料库,我们证明了SIGL的检测准确率为96%,在精确度和召回率方面优于工业界和学术界的类似系统高达87%,准确率为45%。我们还证明了SIGL可以精确定位最有可能触发恶意行为的进程,可以在不同的审计平台和操作系统上工作,并且对训练数据污染和对抗攻击具有鲁棒性。它可以与特定于应用程序的模型一起使用,即使在存在新软件版本的情况下,也可以与包含广泛应用程序和安装程序的应用程序无关的元模型一起使用。
2021-06-22 cs.CR cs.LG
Hiding Malicious Content in PDF Documents
本文是一个特定数字签名漏洞的概念验证演示,它显示了WYSIWYS(所见即所签)概念的无效性。该算法相当简单:攻击者生成一个多态文件,该文件具有两种不同类型的内容(文本,例如PDF文档,以及图像:TIFF -两种最广泛使用的文件格式)。当受害者签署双重内容文件时,他/她只看到PDF文档,而不知道文件中隐藏的内容。在从受害者那里获得合法签名的文档后,攻击者只需将扩展名更改为其他文件格式。这不会使数字签名无效,因为没有位被更改。由于可移植文档格式(PDF)广泛用于电子政务和电子商务环境,这种攻击的破坏潜力相当大。
2012-01-01 cs.CR
Tracking Temporal Evolution of Network Activity for Botnet Detection
California Institute of Technology(加州理工学院);Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室)
僵尸网络作为各种恶意活动的主要支持技术越来越普遍,如电子邮件垃圾邮件,点击欺诈,分布式拒绝服务(DDoS)攻击和加密货币挖掘。僵尸网络技术继续快速发展,使检测成为一个非常具有挑战性的问题。有一个强大的检测方法,是不敏感的一个特定的僵尸网络的特性,并在不同的僵尸网络类型的推广是一个根本的需要。我们提出了一种新的监督方法来检测恶意僵尸网络主机,通过使用基于神经网络架构的长短期记忆(LSTM)来跟踪主机的网络活动。我们建立了一个原型来证明我们的方法的可行性,在CTU-13数据集上进行评估,并将我们的性能与现有的检测方法进行比较。我们表明,我们的方法的结果在一个更普遍的,僵尸网络不可知的检测方法,是适合实时实施,并表现良好,与现有的方法相比,与96.2%的整体准确性得分。
2019-08-09 cs.CR cs.LG
CIC-Trap4Phish: A Unified Multi-Format Dataset for Phishing and Quishing Attachment Detection
Canadian Institute for Cybersecurity, Faculty of Computer Science, University of New Brunswick(加拿大网络安全研究所,计算机科学学院,新不伦瑞克大学)
CIC-Trap4Phish 提出了一种统一的多格式数据集,用于提升钓鱼和Quishing附件检测的准确性和鲁棒性。
2026-02-11 cs.AI cs.CR
SafePickle: Robust and Generic ML Detection of Malicious Pickle-based ML Models
Department of Computer and Software Engineering(计算机与软件工程系);Ariel Cyber Innovation Center(阿丽尔网络创新中心);Ariel University(阿丽尔大学)
SafePickle通过基于机器学习的方法,实现对恶意Pickle-based机器学习模型的高效检测,其在多个数据集上均表现出优越的检测性能。
2026-02-23 cs.AI cs.CR
Malicious Code Detection: Run Trace Output Analysis by LSTM
Informatics Institute, Middle East Technical University(中东技术大学信息学研究所)
由于信息和通信技术在日常环境中的应用不断扩大,恶意软件威胁及其检测作为信息安全的一个子领域越来越重要。设计和开发反恶意软件系统的一个主要挑战是检测的覆盖范围,特别是动态分析方法的开发,可以有效地检测多态和变形恶意软件。在本研究中,我们提出了一个方法框架,通过分析运行轨迹输出的长短期记忆(LSTM)检测恶意代码。我们开发了恶意和良性的可移植可执行文件(PE)的运行轨迹模型。我们从PE文件的动态分析获得的运行跟踪输出创建了数据集。所获得的数据集是指令格式的序列,并被称为指令序列模型(ISM)。通过将第一个数据集分割成基本块,我们得到了第二个称为基本块作为序列模型(BSM)。实验结果表明,ISM的准确率为87.51%,假阳性率为18.34%,而BSM的准确率为99.26%,假阳性率为2.62%。
2021-01-14 cs.CL cs.CR cs.LG
Toward the Detection of Polyglot Files
Bredesen Center(布雷德森中心);Oak Ridge National Laboratory(橡树岭国家实验室);Tennessee Tech University(田纳西理工大学);Pacific Northwest National Laboratory(太平洋西北国家实验室)
标准化文件格式在计算机软件的开发和使用中起着关键作用。但是,通过创建在多种文件格式中有效的文件,可能会滥用标准化的文件格式。由此产生的多语言(多种语言)文件会混淆文件格式识别,使文件的元素逃避分析。这对于依赖文件格式识别进行特征提取的恶意软件检测系统来说尤其成问题。由于某些文件格式的格式规范具有灵活性,因此可以轻松规避依赖于文件签名的文件格式识别过程。虽然工作已经完成,以确定文件格式使用更全面的方法比文件签名,准确识别多语言文件仍然是一个悬而未决的问题。由于恶意软件检测系统常规地执行文件格式特定的特征提取,因此在这些系统摄取之前需要过滤掉多语言文件。否则,恶意内容可能会在未被检测到的情况下通过。为了解决多语言检测的问题,我们使用mitra工具组装了一个数据集。然后,我们评估了最常用的文件识别工具file的性能。最后,我们展示了一系列机器和深度学习模型的准确度、精确度、召回率和F1得分。Malconv2和Catboost在我们的数据集上表现出最高的召回率,分别为95.16%和95.45%。这些模型可以被合并到恶意软件检测器的文件处理流水线中,以在文件格式相关的特征提取发生之前过滤掉潜在的恶意多语言。
2022-04-13 cs.CR cs.LG
PDFInspect: A Unified Feature Extraction Framework for Malicious Document Detection
Indian Institute of Technology Indore(印度理工学院印度尔)
PDFInspect提出了一种统一的特征提取框架,通过整合图结构、元数据和时间信息,生成高维特征向量以检测恶意PDF文档。
2026-01-19 cs.CR cs.LG
LoginTrap: Uncovering Task-Agnostic Phishing-Style Indirect Prompt Injection Attacks against LLM-based Web Agents
Tongji University(同济大学)
该研究提出LoginTrap攻击,是针对基于LLM的Web智能体的任务无关型登录诱导攻击,在黑盒威胁模型下可达到86%的平均端到端攻击成功率,揭示了登录诱导的认证边界风险并推动相关防御研究。
2026-08-06 cs.CR
ScamDetect: Towards a Robust, Agnostic Framework to Uncover Threats in Smart Contracts
本文提出 ScamDetect 框架,旨在通过图神经网络分析控制流图以应对字节码混淆,并泛化至 WASM 等新兴运行时,实现平台无关的智能合约恶意软件主动检测。
2025-08-12 cs.CR
A Hybrid Approach to Malware Detection: Integrating Few-Shot Model-Agnostic Meta-Learning with Autoencoders
University of North Dakota(北达科他大学);Hassan II University(哈桑二世大学)
本文提出一种结合自编码器特征提取器与模型无关元学习分类器的混合深度学习框架,用于少样本勒索软件检测,在Ransomware Dataset 2024上实现高准确率、F1分数和MCC值,验证了其在数据稀缺场景下的鲁棒性和有效性。
2026-10-02 cs.AI cs.CR cs.LG
MaliciousSkillBench: A Comprehensive Benchmark for Malicious Agent Skill Detection
Nanjing University(南京大学);Griffith University(格里菲斯大学);Nanyang Technological University(南洋理工大学);Wake Forest University(维克森林大学);University of New South Wales(新南威尔士大学)
本文提出MaliciousSkillBench这一综合基准,整合多源恶意技能数据构建含9740个技能的数据集,评估三类检测器后发现现有方法不足,需更广泛跨源覆盖及联合评估攻击检测与良性误报的方案。
2026-08-21 cs.AI cs.CR
MemVenom: Triggered Poisoning of Multimodal Memories in Web Agents
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Peng Cheng Laboratory(鹏城实验室);Tianjin University(天津大学);Shenzhen International Graduate School, Tsinghua University(深圳国际研究生学院,清华大学);Huawei Technologies Ltd.(华为技术有限公司)
提出MemVenom框架,针对网络代理的外部记忆系统,通过触发条件检索和攻击诱导,实现黑盒多模态记忆投毒,达到高成功率且不影响良性性能。
2026-06-09 cs.CR cs.LG
Optimized Deep Learning Models for Malware Detection under Concept Drift
Orange Innovation(奥兰治创新公司)
本文针对恶意软件检测中的概念漂移问题,提出模型无关协议和 Drift-Resilient Binary Cross-Entropy 损失函数,并在 EMBER 与近期数据集上验证,使恶意软件检测率比基线提升 15.2%。
2024-08-01 cs.AI cs.CR cs.LG
An Adversarial Attack Analysis on Malicious Advertisement URL Detection Framework
Sabanci University(萨班哲大学);University of Padua(帕多瓦大学);MNNIT Allahabad(印度莫蒂拉尔·尼赫鲁国家技术学院阿拉哈巴德分校);University of Delhi(德里大学)
恶意广告URL构成了安全风险,因为它们是网络攻击的来源,并且解决这个问题的需求在工业界和学术界都在增长。通常,攻击者通过电子邮件、广告链接或任何其他通信手段向用户传递攻击向量,并将他们引导到恶意网站以窃取敏感信息并欺骗他们。现有的恶意URL检测技术是有限的,并处理看不见的功能,以及推广到测试数据。在本研究中,我们提出一套新颖的词汇及网页废弃特徴,并利用机器学习技术来建立一套欺诈广告网址侦测系统。六种不同类型的特征的组合集合精确地克服了欺诈URL分类中的混淆。基于不同的统计特性,我们使用12种不同格式的数据集进行检测,预测和分类任务。我们扩展了对不匹配和未标记数据集的预测分析。在这个框架中,我们分析了四种机器学习技术:随机森林,梯度增强,XGBoost和AdaBoost在检测部分的性能。使用我们提出的方法,我们可以实现低至0.0037的假阴性率,同时保持99.63%的高准确性。此外,我们设计了一种新的无监督的数据聚类技术,使用K均值算法的可视化分析。本文在有限知识攻击场景下分析了基于决策树模型的脆弱性。我们考虑了探测攻击,并对检测模型进行了零阶优化对抗攻击。
2022-04-27 cs.AI cs.CR cs.LG
Malicious ML Model Detection by Learning Dynamic Behaviors
Singapore University of Technology and Design(新加坡科技设计大学)
本文提出DynaHug方法,通过动态分析和机器学习检测恶意预训练模型,相比现有方法在F1分数上提升44%。
2026-04-21 cs.CR cs.SE
SAFE-PDF: Robust Detection of JavaScript PDF Malware Using Abstract Interpretation
PDF格式的流行和PDF查看器提供的丰富的JavaScript环境使PDF文档成为恶意软件开发人员的一个有吸引力的攻击媒介。PDF文档对组织的安全性构成了严重威胁,因为大多数用户对它们毫无戒心,因此可能会打开来自不受信任来源的文档。我们建议通过使用保守的抽象解释来静态推理嵌入式JavaScript代码的行为来识别恶意PDF。目前,最先进的工具:(1)基于与已知恶意样本的结构相似性静态识别PDF恶意软件;或(2)动态执行代码以检测恶意行为。这两种方法容易受到规避攻击,这些攻击模仿良性文档的结构,或者在动态分析时不会表现出恶意行为。相反,抽象解释对这两种类型的回避都是不敏感的。与两种最先进的PDF恶意软件检测工具的比较表明,我们保守的抽象解释方法实现了类似的准确性,同时更能抵御规避攻击。
2018-10-30 cs.CR
Robust Backdoor Detection for Deep Learning via Topological Evolution Dynamics
针对后门检测依赖样本可分度量空间的局限,本文提出模型无关的 TED 拓扑演化动力学方法,通过输入演化轨迹识别后门,并在视觉与 NLP 任务中显著优于现有方法。
2023-12-05 cs.CR
PDF-Malware: An Overview on Threats, Detection and Evasion Attacks
Université Polytechnique Hauts-De-France(上法兰西理工大学);CNRS(法国国家科学研究中心)
近年来,可移植文档格式(Portable Document Format,简称PDF)已成为文档交换和传播的民主化标准。这种趋势是由于其灵活性和跨平台可移植性等特性。PDF的广泛使用在良性用户中建立了固有安全的错误印象。然而,PDF的特性促使黑客利用各种类型的漏洞,克服安全保障措施,从而使PDF格式成为最有效的恶意代码攻击载体之一。因此,有效地检测恶意PDF文件是至关重要的信息安全。在文献中已经提出了几种分析技术,无论是静态的还是动态的,以提取允许区分恶意软件文件和良性文件的主要特征。由于经典的分析技术在零日的情况下可能受到限制,因此基于机器学习的技术最近已经作为能够从一组训练样本中概括的自动PDF恶意软件检测方法出现。这些技术本身面临着规避攻击的挑战,其中恶意PDF被转换为看起来是良性的。在这项工作中,我们给出了一个概述的PDF恶意软件检测问题。我们对新的挑战和新兴的解决方案提出了看法。
2021-07-27 cs.AI cs.CR
FormatFuzzer: Effective Fuzzing of Binary File Formats
本文提出 FormatFuzzer,将 010 Editor 二进制模板编译为兼具解析、变异和生成能力的 C++ 模糊测试器,可独立使用或与 AFL 集成,并在 MP4、ZIP 测试中发现 ffmpeg 和 timidity 的未知内存错误。
2023-09-27 cs.CR cs.SE
Let the Noise Speak: Harnessing Noise for a Unified Defense Against Adversarial and Backdoor Attacks
Virginia Polytechnic Institute and State University(弗吉尼亚理工大学);University of South Florida(南佛罗里达大学)
针对机器学习面临的对抗性与后门攻击,现有防御存在攻击特异性和强假设限制,本研究提出NoiSec,通过利用重构噪声识别恶意操纵,实现统一防御,在多数据集和攻击场景中表现优异且优于基线。
2025-04-14 cs.CR cs.CV cs.LG
Leveraging Interpretable Tsetlin Machine for PDF Malware Detection
Department of ICT, University of Agder, Norway(信息与通信技术系,阿格德大学,挪威)
针对PDF文件易被嵌入恶意代码的问题,提出基于可解释Tsetlin机的框架,通过静态分析提取特征并基于规则学习分类,在RIT - PDFMal - 2026数据集上准确率达98.02%,兼具检测性能、效率与可解释性,是实用的检测方案。
2026-08-06 cs.CR cs.LG
Page Cache Attacks
我们提出了一种新的硬件无关的侧信道攻击,目标是现代计算机系统中最基本的软件缓存之一:操作系统页面缓存。页面缓存是一个纯软件缓存,包含所有磁盘支持的页面,包括程序二进制文件,共享库和其他文件,因此我们的攻击可以跨内核和CPU工作。我们的侧通道允许对其他进程的一些内存访问进行无特权监视,在Linux上的空间分辨率为4KB,时间分辨率为2微秒(限制为每秒6.7次测量),在Windows上为466纳秒(限制为每秒223次测量);这与当前最先进的缓存攻击大致相同。我们通过演示不同的本地攻击,包括绕过高速隐蔽通道的沙箱,定时用户界面修复攻击和恢复自动生成的临时密码的攻击,系统地分析了我们的侧通道。我们进一步表明,我们可以权衡侧通道的硬件不可知属性的远程利用。我们证明了这一点,通过一个低调的远程隐蔽通道,使用这个页面缓存侧通道,通过无害的服务器请求从恶意发送方进程中泄露信息。最后,我们提出了一些缓解我们的攻击,这已被操作系统供应商承认,并预定为未来的安全补丁。
2019-01-04 cs.CR
BackdoorIndicator: Leveraging OOD Data for Proactive Backdoor Detection in Federated Learning
本文提出名为BackdoorIndicator的联邦学习主动后门检测机制,利用OOD数据将指示任务注入全局模型,使服务器在未知后门类型和目标标签的情况下准确检测上传模型中的后门,其性能优于基线防御方法。
2024-05-31 cs.CR
RoBERTa-Augmented Synthesis for Detecting Malicious API Requests
针对恶意 API 请求检测中训练数据不足的问题,提出受 GAN 启发、基于 RoBERTa 的领域感知流量合成框架,显著提升多数据集上的异常检测 F1 分数。
2025-05-15 cs.CR
PhishSigma++: Malicious Email Detection with Typed Entity Relations
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
PhishSigma++通过构建类型电子邮件图谱,利用粒子群优化算法选择稀疏判别掩码,实现高精度恶意邮件检测,在清洁数据上达到0.9675 F1,并优于文本中心基线。
2026-05-12 cs.CR
A Novel Malware Detection System Based On Machine Learning and Binary Visualization
恶意软件的持续演变和多样性构成了现代系统中的主要威胁。事实证明,目前可用的安全防御措施无法有效降低网络犯罪分子的技能和想象力,因此需要开发新的解决方案。深度学习算法和人工智能(AI)正在迅速发展,在许多应用领域取得了显著成果。随着人工智能技术的发展和对高效恶意软件检测方法的需求,本文提出了一种基于二进制可视化和自组织增量神经网络的恶意软件检测方法。实验结果表明,该方法对.pdf和.doc文件中的勒索软件的检测准确率分别达到91.7%和94.1%。对于其他格式的恶意代码和其他文件类型,包括二进制文件,所提出的方法表现良好,具有增量检测率,允许实时有效地检测未知恶意软件。
2019-04-01 cs.CR
AgentGuard: A Multi-Agent Framework for Robust Package Confusion Detection via Hybrid Search and Metadata-Content Fusion
Tianjin University(天津大学);Singapore Management University(新加坡管理大学);Amazon(亚马逊)
AgentGuard通过融合元数据和内容分析,结合混合相似性搜索,有效降低误报率,优于现有方法,提升检测精度。
2026-01-29 cs.CR cs.SE
MLPdf: An Effective Machine Learning Based Approach for PDF Malware Detection
由于便携式文档格式(PDF)的流行和主要PDF查看器应用程序中漏洞的增加,恶意软件作者继续使用它通过Web下载,电子邮件附件和其他方法在有针对性和非有针对性的攻击中提供恶意软件。关于如何有效阻止恶意PDF文档的话题在网络安全行业和学术界都受到了巨大的研究兴趣,并且没有放缓的迹象。在本文中,我们提出了一种新的方法的基础上,多层感知器(MLP)的神经网络模型,称为MLPdf,用于检测基于PDF的恶意软件。更具体地说,MLPdf模型使用具有随机梯度下降搜索的反向传播算法进行模型更新。一组高质量的功能是从两个真实世界的数据集,其中包括约105000良性和恶意的PDF文档提取。评估结果表明,所提出的MLPdf方法表现出优异的性能,显着优于所有评估的8个著名的商业反病毒扫描仪,达到了95.12%的高得多的真阳性率,同时保持了非常低的假阳性率为0.08%。
2018-08-21 cs.CR
Neurlux: Dynamic Malware Analysis Without Feature Engineering
恶意软件检测在计算机安全中起着至关重要的作用。现代机器学习方法已经围绕用于提取恶意特征的领域知识。然而,可以使用许多潜在的功能,并且手动识别最佳功能是耗时且困难的,特别是考虑到恶意软件的多样性。在本文中,我们提出了Neurlux,恶意软件检测的神经网络。Neurlux不依赖于任何功能工程,而是从详细的行为信息的动态分析报告中自动学习。我们的模型借鉴了文档分类领域的思想,使用报告中存在的单词序列来预测报告是否来自恶意二进制文件。我们研究了我们模型的学习功能,并显示了它倾向于给予最高重要性的报告的哪些组件。然后,我们在两种不同的数据集和报告格式上评估了我们的方法,表明Neurlux改进了最先进的技术,可以有效地从动态分析报告中学习。此外,我们表明,我们的方法是可移植到其他恶意软件分析环境,并推广到不同的数据集。
2019-10-24 cs.CR
Gotham Dataset 2025: A Reproducible Large-Scale IoT Network Dataset for Intrusion Detection and Security Research
Cardiff University(卡迪夫大学);Toshiba Europe Limited(东芝欧洲有限公司)
本文基于Gotham仿真测试平台构建了包含78个物联网设备、多协议与多类攻击的大规模网络流量数据集,并提供PCAP与CSV标注数据,以支持大规模物联网环境下的入侵检测研究。
2025-02-05 cs.AI cs.CR
Generating Labeled Flow Data from MAWILab Traces for Network Intrusion Detection
在现代网络世界中,一个日益严重的问题是直接识别网络连接上的恶意活动。机器学习行业在过去几年中的蓬勃发展导致机器学习技术的使用越来越多,这在网络入侵检测研究社区中尤其普遍。在利用这些相当现代的技术时,社区已经意识到数据集对于识别恶意数据包和连接至关重要,特别是与标签相关的信息,以构建学习模型。然而,网络入侵检测社区的研究人员缺乏公开可用的相关数据集。因此,在本文中,我们介绍了一种方法来构建标记流数据相结合的数据包元信息与IDS日志来推断标签的入侵检测研究。具体来说,我们设计了一个NetFlow兼容的格式,因为大量的网络设备,如路由器和交换机,从原始流量导出NetFlow记录的能力。在这样做的过程中,所介绍的方法将帮助研究人员访问相关的网络流数据集以及标签信息。
2018-10-03 cs.CR cs.NI