New Era of Deeplearning-Based Malware Intrusion Detection: The Malware Detection and Prediction Based On Deep Learning
随着以深度学习模型为代表的人工智能算法的发展以及在不同领域的成功应用，深度学习技术在网络安全领域也有了进一步的探索。无论是在学术安全研究中，还是在行业实践中，通过深度学习方法处理部分网络安全问题时，与传统规则相比，都表现出了较好的性能。特别是对于恶意软件检测和分类任务，它节省了大量的时间成本，并提高了恶意软件检测系统总流水线的准确性。在本文中，我们构建了特殊的深度神经网络，即MalDeepNet（TB-Malnet和IB-Malnet），用于恶意软件动态行为分类任务。然后构建了基于深度学习的家族聚类算法并进行了相关测试。此外，我们还设计了一个新的恶意软件预测模型，可以检测恶意软件未来通过Mal生成对抗网络（Mal-GAN）的实现。这些算法在以后的相关数据集上具有相当大的应用价值。
2021-10-15 cs.CR cs.LG
A Survey on the Application of Generative Adversarial Networks in Cybersecurity: Prospective, Direction and Open Research Scopes
Boise State University（博伊西州立大学）
本文综述了生成对抗网络（GANs）在网络安全中的应用，涵盖入侵检测、恶意软件检测等领域，讨论了挑战并展望了未来研究方向。
2024-09-20 cs.AI cs.CR cs.CV
Review: Deep Learning Methods for Cybersecurity and Intrusion Detection Systems
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
随着网络攻击的数量不断增加，网络安全正在演变为任何企业的关键问题。人工智能（AI）和机器学习（ML）（特别是深度学习- DL）可以作为网络防御的关键技术，因为它们可以有助于威胁检测，甚至可以为网络分析师提供建议的行动。工业界、学术界和政府在全球范围内建立伙伴关系是必要的，以推动AI/ML在网络安全中的应用，并创建高效的网络防御系统。在本文中，我们关注对用于网络入侵检测的各种深度学习技术的调查，并介绍了用于网络安全应用的深度学习框架。
2020-12-04 cs.CR cs.LG
Convolutional Neural Network for Intrusion Detection System In Cyber Physical Systems
信息和通信技术在工业控制系统等关键基础设施中的广泛使用使其容易受到网络攻击。一类特殊的网络攻击是高级持续性威胁，其中高技能的攻击者可以窃取用户身份验证信息，并在网络中从一台主机移动到另一台主机，直到到达有价值的目标。应该尽快检测到攻击者，以便采取适当的响应，否则攻击者将有足够的时间到达敏感资产。面对智能威胁时，必须设计智能解决方案。因此，在本文中，我们利用深度学习的最新进展来构建一个卷积神经网络，可以检测网络物理系统中的入侵。将该入侵检测系统应用于NSL-KDD数据集，并与现有技术进行了比较，结果表明了该技术的有效性。
2019-06-07 cs.CR cs.LG
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
Neuromorphic Mimicry Attacks Exploiting Brain-Inspired Computing for Covert Cyber Intrusions
Computer Science, Missouri State University（计算机科学，密苏里州立大学）
本文提出神经形态模仿攻击（NMAs），利用神经形态芯片的概率性规避传统入侵检测，建立理论框架并评估影响，提出针对性对策，强调定制网络安全措施的必要性。
2025-05-21 cs.CR cs.LG
ROSpace: Intrusion Detection Dataset for a ROS2-Based Cyber-Physical System
University of Florence（佛罗伦萨大学）；Mermec Engineering（Mermec工程公司）；University of Trento（特伦托大学）
本文提出一个基于ROS2的网络物理系统入侵检测数据集，通过渗透测试收集三个层级的特征数据，用于训练检测系统以提高攻击检测效率和准确性。
2024-02-13 cs.CR cs.LG
Ensemble learning techniques for intrusion detection system in the context of cybersecurity
UNESP Universidade Estadual Paulista（圣保罗州立大学）
近来，人们对改进入侵检测系统（IDS）技术中可用的资源感兴趣。从这个意义上说，与网络安全相关的一些研究表明，环境入侵和信息绑架越来越频繁和复杂。涉及在使用计算资源的环境中操作的业务的关键性不允许信息的脆弱性。网络安全已经成为企业不可或缺的技术领域的一个维度，安全团队每天都在处理入侵环境的风险。因此，这项研究的主要目的是调查的Ensemble学习技术使用堆栈方法，支持的支持向量机（SVM）和k-最近邻（kNN）算法，旨在优化的结果DDoS攻击检测。为此，入侵检测系统的概念与数据挖掘和机器学习橙色工具的应用程序一起使用，以获得更好的结果
2022-12-21 cs.CR cs.LG
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
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
SCGNet-Stacked Convolution with Gated Recurrent Unit Network for Cyber Network Intrusion Detection and Intrusion Type Classification
American International University（美国国际大学）；Khulna University（库尔纳大学）
针对传统入侵检测系统难以高效识别复杂网络攻击的问题，提出新型深度学习架构SCGNet及通用数据预处理流程，在NSL-KDD数据集的攻击检测与分类任务上取得高准确率。
2024-10-29 cs.CR cs.LG
Cyber Intrusion Detection by Using Deep Neural Networks with Attack-sharing Loss
Montclair State University（蒙特克莱尔州立大学）；Stevens Institute of Technology（史蒂文斯理工学院）；Dalian University of Technology（大连理工大学）
网络攻击对计算机系统安全构成重大威胁，并使数字财富面临过度风险。这就迫切需要一种有效的入侵检测系统，能够高精度地识别入侵攻击。由于攻击的种类繁多，对入侵事件进行分类是一个挑战。此外，在正常的网络环境中，大多数连接是由良性行为发起的。入侵检测中的类不平衡问题迫使分类器偏向于大多数/良性类，从而使许多攻击事件未被检测到。受深度神经网络在计算机视觉和自然语言处理中的成功启发，本文设计了一个名为DeepIDEA的新系统，该系统充分利用了深度学习来实现入侵检测和分类。为了实现对不平衡数据的高检测精度，我们设计了一种新的攻击共享损失函数，可以有效地移动决策边界的攻击类，并消除了对大多数/良性类的偏见。通过使用这个损失函数，DeepIDEA尊重这样一个事实，即入侵错误分类应该比攻击错误分类受到更高的惩罚。在三个基准数据集上的大量实验结果证明了DeepIDEA的高检测精度。特别是，与八种最先进的方法相比，DeepIDEA始终提供最佳的类平衡精度。
2021-03-17 cs.AI cs.CR cs.LG
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
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
Towards Resilient Intrusion Detection in CubeSats: Challenges, TinyML Solutions, and Future Directions
Ontario Tech University（安大略理工大学）
本文探讨立方星的网络安全挑战，提出TinyML在资源受限环境下的入侵检测解决方案，并展望未来研究方向，包括网络安全与健康监测系统的整合及跨领域合作。
2026-04-07 cs.AI cs.CR cs.GL
Graph-based Solutions with Residuals for Intrusion Detection: the Modified E-GraphSAGE and E-ResGAT Algorithms
The University of Hong Kong（香港大学）；University of Ottawa（渥太华大学）
大量日益复杂的网络威胁正在引起人们对网络安全的越来越多的关注，其中许多挑战仍未得到解决。也就是说，对于入侵检测来说，需要更鲁棒、更有效、能够利用更多信息的新算法。此外，入侵检测任务面临着一个严重的挑战与正常和恶意流量之间的极端类不平衡。最近，图神经网络（GNN）在网络安全任务中实现了最先进的网络拓扑建模性能。然而，只有少数作品存在使用GNNs来解决入侵检测问题。此外，其他有希望的途径，如应用注意力机制仍在探索中。本文提出了两种新的基于图的入侵检测解决方案，修改的E-GraphSAGE和E-ResGAT算法，这两种算法分别依赖于已建立的GraphSAGE和图注意力网络（GAT）。其关键思想是将剩余学习集成到GNN中，利用可用的图信息。为了解决高类不平衡的问题，增加了剩余连接，目的是保留原始信息，提高少数类的性能。最近的四个入侵检测数据集的广泛的实验评估表明，我们的方法，特别是在预测少数类的出色表现。
2021-11-26 cs.CR cs.LG
Feature Reduction Method Comparison Towards Explainability and Efficiency in Cybersecurity Intrusion Detection Systems
North Carolina Agricultural and Technical State University（北卡罗来纳农业技术州立大学）
在网络安全领域，入侵检测系统（IDS）根据收集的计算机和网络数据检测和防止攻击。在最近的研究中，已经使用机器学习（ML）和深度学习（DL）方法（例如随机森林（RF）和深度神经网络（DNN））来构建IDS模型。特征选择（FS）可以用于构建更快、更可解释和更准确的模型。我们研究了三种不同的FS技术; RF信息增益（RF-IG），使用蝙蝠算法（CFS-BA）的相关特征选择，以及使用Aquila优化器（CFS-AO）的CFS。我们的研究结果表明，CFS-BA是最有效的FS方法，在55%的时间内建立最好的RF-IG模型，同时达到99.99%的准确性。这加强了先前的贡献，证明CFS-BA的准确性，同时建立在子集大小，CFS评分和最终结果中的RF-IG评分之间的关系。
2023-03-22 cs.AI cs.CR cs.LG
CyberCScope: Mining Skewed Tensor Streams and Online Anomaly Detection in Cybersecurity Systems
SANKEN, Osaka University（大阪大学 SANKEN）
提出流式方法CyberCScope，通过混合偏斜无限与有限维分解处理高阶张量流，实现网络安全中多类型入侵的实时检测与特征总结。
2025-03-02 cs.AI cs.CR cs.LG
Evaluating the Potential of Quantum Machine Learning in Cybersecurity: A Case-Study on PCA-based Intrusion Detection Systems
Politecnico di Milano（米兰理工大学）；Centre for Quantum Technologies（量子技术中心）；Inveriant Pte. Ltd.（Inveriant私人有限公司）
本文以基于PCA的网络入侵检测为案例，提出量化容错QML算法现实影响的方法，并分析实现量子优势的条件。
2025-02-16 cs.CR cs.LG cs.NI
Toward Autonomous and Efficient Cybersecurity: A Multi-Objective AutoML-based Intrusion Detection System
Faculty of Business and Information Technology, Ontario Tech University（业务与信息科技学院，安大略技术大学）；Department of Electrical and Computer Engineering, Western University（电气与计算机工程系，西部大学）
针对网络安全威胁复杂及IoT设备资源受限问题，提出集成OIP-AutoFS和OPCE-CASH技术的MOO-AutoML IDS，在两基准数据集上优于现有IDS，为自主高效网络安全提供新基准。
2025-11-11 cs.CR cs.LG cs.NI
IRSKG: Unified Intrusion Response System Knowledge Graph Ontology for Cyber Defense
Mississippi State University（密西西比州立大学）；Argonne National Laboratory（阿贡国家实验室）
本文提出统一入侵响应系统知识图谱本体IRSKG，通过整合异构监控日志与管理员策略并支持动态更新，简化AICA接入流程，提升自动化与可解释性，从而缩短关键响应时间。
2024-11-23 cs.AI 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
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
Adversarial Attacks on Time-Series Intrusion Detection for Industrial Control Systems
Imperial College London（帝国理工学院）；Airbus（空中客车公司）
神经网络越来越多地用于工业控制系统（ICS）的入侵检测。由于神经网络容易受到对抗性示例的攻击，希望对ICS造成损害的攻击者可以尝试通过使用对抗性示例技术来隐藏他们的攻击。在这项工作中，我们解决域特定的挑战，构建这样的攻击对自回归入侵检测系统（IDS）在ICS设置。我们对一个攻击者进行建模，该攻击者可以在具有基于LSTM的IDS的ICS中危害传感器的子集。攻击者操纵发送到IDS的数据，并试图隐藏ICS中发生的真实网络物理攻击的存在。我们评估我们的对抗攻击方法的安全水处理系统时，检查单独的连续数据，并对数据包含离散和连续变量的混合物。在连续数据域中，我们的攻击成功地隐藏了网络物理攻击，平均需要12个监测传感器中的2.87个受到攻击。对于离散和连续数据，我们的攻击平均需要26个被监控传感器中的3.74个被破坏。
2021-10-03 cs.CR cs.LG stat.ML
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
Unsupervised Network Intrusion Detection System for AVTP in Automotive Ethernet Networks
Télécom Paris, IP Paris（巴黎电信学院，巴黎理工学院）
网络入侵检测系统（NIDS）被广泛认为是保护车载网络免受各种网络攻击的有效工具。然而，由于网络攻击总是在不断发展，基于特征的入侵检测系统不再被采用。另一种解决方案可以是部署基于深度学习的入侵检测系统，该系统在检测网络流量中的未知攻击模式方面发挥重要作用。因此，在本文中，我们比较了不同的无监督深度和基于机器学习的异常检测算法的性能，用于实时检测音频视频传输协议（AVTP）上的异常，AVTP是最近基于汽车以太网的车载网络中实现的应用层协议。在最近发布的“汽车以太网入侵数据集”上进行的数值结果表明，在不同的实验设置下，深度学习模型在机器学习中的表现明显优于其他最先进的传统异常检测模型。
2022-04-25 cs.CR cs.LG cs.NI
On-Device Interpretable Tsetlin Machine-Based Intrusion Detection for Secure IoMT
Department of ICT, University of Agder, Norway（阿格德大学信息与通信技术系）
本文提出了一种基于Tsetlin机的设备端可解释入侵检测系统，用于IoMT环境中的入侵检测，通过逻辑规则和特征贡献提升透明度和性能，达到97.83%的分类准确率。
2026-06-23 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
A short review on Applications of Deep learning for Cyber security
Center for Computational Engineering and Networking (CEN)（计算工程与网络中心（CEN））；Amrita School of Engineering（阿姆里塔工程学院）；Amrita Vishwa Vidyapeetham（阿姆里塔大学）
深度学习是传统机器学习的先进模型。这具有从原始输入样本中提取最佳特征表示的能力。这已经应用于网络安全中的各种用例，例如入侵检测，恶意软件分类，Android恶意软件检测，垃圾邮件和网络钓鱼检测以及二进制分析。本文概述了与各种网络安全用例的基于深度学习的解决方案相关的所有工作的调查。保留字：深度学习、入侵检测、恶意软件检测、Android恶意软件检测、垃圾邮件和网络钓鱼检测、流量分析、二进制分析。
2019-01-30 cs.AI cs.CR cs.LG
Securing the Digital World: Protecting smart infrastructures and digital industries with Artificial Intelligence (AI)-enabled malware and intrusion detection
University of Oxford（牛津大学）
本文研究基于AI的网络威胁检测，评估ML分类器及集成方法在恶意软件与网络入侵检测中的应用，探讨其在网络、移动及IoT安全中的集成挑战与解决方案，并提出未来研究方向以增强数字产业安全与弹性。
2023-10-15 cs.CR cs.LG
Hardening Random Forest Cyber Detectors Against Adversarial Attacks
University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）
机器学习算法在一些应用中是有效的，但是当应用于网络安全中的入侵检测时，它们并不那么成功。由于对训练数据的高度敏感性，基于机器学习的网络检测器容易受到涉及初始样本扰动的有针对性的对抗攻击的攻击。现有的防御假设不切实际的场景;它们的结果在非对抗性环境中表现平平;或者它们只能应用于网络安全性能不佳的机器学习算法。我们提出了一种基于随机森林的对抗性干扰入侵检测系统的原始方法。作为一个实际的应用，我们将所提出的防御方法在网络检测器分析网络流量。对数百万个标记网络流的实验结果表明，新的检测器具有双重价值：它优于受到对抗攻击的最先进的检测器;它在对抗和非对抗场景中都表现出强大的结果。
2019-12-09 cs.CR cs.LG
Neurosymbolic AI Transfer Learning Improves Network Intrusion Detection
University of West Florida（西弗吉尼亚大学）；United States Military Academy（美国军事学院）
本文提出一种结合迁移学习与不确定性量化的neurosymbolic AI框架用于网络入侵检测，实验证明在大规模数据集上训练的迁移学习模型优于依赖小数据集的神经网络模型。
2025-09-13 cs.LG
An Isolation Forest Learning Based Outlier Detection Approach for Effectively Classifying Cyber Anomalies
Chittagong University of Engineering & Technology（吉大港工程技术大学）；Jahangirnagar University（贾汉吉尔纳加尔大学）；Canberra Institute of Technology（堪培拉理工学院）；Kuwait University（科威特大学）
由于物联网（IoT）的普及、移动网络的大幅增长以及许多相关应用程序，网络安全最近对当今的安全问题产生了相当大的兴趣。因此，检测网络中的大量网络攻击并创建有效的入侵检测系统在当今的安全中起着至关重要的作用。在本文中，我们提出了一个隔离森林学习为基础的离群检测模型，有效地分类网络异常。为了评估所得到的离群点检测模型的有效性，我们还使用了几种传统的机器学习方法，如Logistic回归（LR），支持向量机（SVM），AdaBoost分类器（ABC），朴素贝叶斯（NB）和K-最近邻（KNN）。我们提出的离群检测模型的有效性进行评估进行实验的网络入侵数据集的评价指标，如精度，召回率，F1分数，和准确性。实验结果表明，去除离群点后，网络异常的分类精度得到了提高。
2020-12-09 cs.CR cs.LG
Detecting Cyberattacks in Industrial Control Systems Using Online Learning Algorithms
工业控制系统对于工业设施的运行至关重要，特别是对于关键基础设施，例如炼油厂，电网和运输系统。与其他信息系统类似，工业控制系统面临的一个重大威胁是来自网络空间的攻击-“匿名者”在数字世界中发起的攻击性演习，以基于目标计算机的资产为目标，目的是破坏系统的功能或探测信息。由于工业控制系统的重要性以及被攻击的可能破坏性后果，已经尝试了大量努力来保护工业控制系统免受网络攻击。其中包括入侵检测系统，通过监控和报告潜在的恶意活动作为第一道防线。经典的基于机器学习的入侵检测方法通常通过一次性学习中等大小的训练样本来生成预测模型。这种方法并不总是适用于工业控制系统，因为工业控制系统必须以不间断的方式利用有限的计算资源来处理连续的控制命令。为了满足这样的要求，我们提出使用在线学习从控制数据流中学习预测模型。分类介绍了几种最新的在线学习算法，并在两个典型的实验平台--电力系统和天然气管道上说明了它们的有效性。此外，我们探索了一种新的成本敏感的在线学习算法，以解决类不平衡的问题，是普遍存在于工业入侵检测系统。实验结果表明，该算法可以实现在工业控制系统中的网络攻击的检测率的整体提高。
2019-12-08 cs.LG stat.ML
LCCDE: A Decision-Based Ensemble Framework for Intrusion Detection in The Internet of Vehicles
Western University（韦仕敦大学）；S2E Technologies（S2E科技公司）
现代车辆，包括自动驾驶车辆和联网车辆，通过与其他车辆、智能设备和基础设施的连接和通信，采用了越来越多的功能。然而，车联网（IoV）的连接性不断增长，也增加了网络攻击的脆弱性。为了保护IoV系统免受网络威胁，已经使用机器学习（ML）方法开发了可以识别恶意网络攻击的入侵检测系统（IDS）。为了准确检测车联网网络中的各种类型的攻击，我们提出了一种新的集成IDS框架命名为领导类和信心决策Entrance（LCCDE）。它是通过为每种攻击类别或类型确定三种高级ML算法（XGBoost，LightGBM和CatBoost）中性能最佳的ML模型来构建的。然后利用具有预测置信度值的类领导模型来做出关于检测各种类型的网络攻击的准确决策。在两个公共车联网安全数据集（Car-Hacking和CICIDS 2017数据集）上的实验证明了所提出的LCCDE对车内和外部网络入侵检测的有效性。
2022-09-01 cs.AI cs.CR cs.LG
Deep Learning-Based Intrusion Detection System for Advanced Metering Infrastructure
Mohammed V University（穆罕默德五世大学）
智能电网是传统电网的替代解决方案，它利用信息技术的力量来节省能源并满足当今的环境要求。由于信息技术固有的脆弱性，智能电网面临着各种各样的威胁，这些威胁可能会转化为网络攻击。在本文中，我们开发了一个基于深度学习的入侵检测系统，以抵御先进的计量基础设施网络中的网络攻击。所提出的机器学习方法在一个经验工业数据集上进行了广泛的训练和测试，该数据集由几种攻击类别组成，包括扫描，缓冲区溢出和拒绝服务攻击。然后，在检测精度方面进行了实验比较，以评估所提出的方法与朴素贝叶斯，支持向量机，和随机森林的性能。所得到的结果表明，所提出的方法产生最佳的结果相比，其他算法。最后，我们提出了一个网络架构部署建议的基于异常的入侵检测系统在整个先进的计量基础设施网络。此外，我们提出了一个网络安全体系结构组成的两种类型的入侵检测系统类型，主机和基于网络的，部署在整个高级计量基础设施网络检查流量和检测恶意的所有级别。
2019-12-31 cs.CR cs.LG eess.SP
A Modern Analysis of Aging Machine Learning Based IoT Cybersecurity Methods
University of Wisconsin – Eau Claire（威斯康星大学欧克莱尔分校）
现代科学进步往往有助于引进和改进以前从未见过的技术。这可能是人类需要维护和监控的任务，因此，我们的社会已经依赖于机器学习来帮助完成这项任务。新技术带来了新方法，从而也带来了规避现有网络安全措施的新方法。本研究考察了目前工业界用于恶意软件和入侵检测的三种不同物联网网络安全算法的有效性：随机森林（RF），支持向量机（SVM）和K-最近邻（KNN）。每个算法都在Aposemat IoT-23数据集上进行了训练和测试，该数据集于2020年1月发布，最早的捕获时间为2018年，最新的捕获时间为2019年。RF，SVM和KNN在入侵检测中分别达到92.96%，86.23%和91.48%的峰值准确率，在恶意软件检测中分别达到92.27%，83.52%和89.80%。研究发现，这三种算法都能够在2021年有效地用于当前的物联网网络安全领域。
2021-10-15 cs.CR cs.LG
A Tsetlin Machine-driven Intrusion Detection System for Next-Generation IoMT Security
Department of ICT, University of Agder, Norway（挪威阿格德尔大学信息与通信技术系）
本文提出一种基于Tsetlin机器的入侵检测系统，用于检测针对IoMT网络的多种网络攻击，通过命题逻辑建模攻击模式，实验表明其在二分类和多分类中均优于传统机器学习分类器。
2026-04-03 cs.CR cs.LG
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
A Hybrid Deep Learning Anomaly Detection Framework for Intrusion Detection
ST Engineering（新加坡科技工程有限公司）
网络入侵攻击危及用户的关键和敏感数据的数量和强度不断上升，特别是随着我们的日常生活与互联网之间的联系越来越多。这种入侵攻击的数量之大和复杂性之高阻碍了大多数传统防御技术的有效性。与此同时，机器学习方法，特别是深度学习在计算机视觉中的出色表现，引起了网络安全界的研究兴趣，以进一步增强和自动化入侵检测。然而，昂贵的数据标记和异常数据的限制使得以完全监督的方式训练入侵检测器具有挑战性。因此，基于无监督异常检测的入侵检测也是一个重要的特征。提出了一种基于三阶段深度学习异常检测的网络入侵攻击检测框架。该框架包括无监督（K均值聚类），半监督（GANomaly）和监督学习（CNN）算法的集成。然后，我们在三个基准数据集上评估并展示了我们实现的框架的性能：NSL-KDD，CIC-IDS 2018和TON_IoT。
2022-12-02 cs.AI cs.CR cs.LG
Robustness Evaluation of Deep Unsupervised Learning Algorithms for Intrusion Detection Systems
Université de Sherbrooke（谢布罗克大学）
本文评估了六种最新深度无监督学习算法在受污染数据上的入侵检测鲁棒性，实验表明现有最优算法对数据污染敏感，强调了开发入侵检测系统时自我防御数据扰动的重要性。
2023-10-30 cs.CR cs.LG cs.NI
Machine Learning-Based Intrusion Detection and Prevention System for IIoT Smart Metering Networks: Challenges and Solutions
University of Mosul（摩苏尔大学）
针对IIoT智能计量网络的网络安全风险，本文综述入侵检测方法并提出基于机器学习的IDPS，以提升边缘设备防护及对 evolving 威胁的安全韧性。
2025-02-16 cs.LG
An Adversarial Robustness Benchmark for Enterprise Network Intrusion Detection
Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD), School of Engineering, Polytechnic of Porto (ISEP/IPP)（高级创新与发展智能工程与计算研究组（GECAD），波尔图理工学院工程学院（ISEP/IPP））
本研究构建企业网络入侵检测对抗鲁棒性基准，在多数据集上测试不同训练方式的决策树集成模型，证实对抗训练可提升鲁棒性且不增加误报。
2024-02-25 cs.CR cs.LG cs.NI
HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection
University of Queensland（昆士兰大学）
物联网生态系统安全态势的持续加强至关重要，因为互联设备的数量和共享的敏感数据量不断增加。利用机器学习（ML）功能防御物联网网络攻击具有许多潜在的好处。然而，目前提出的框架没有考虑数据隐私，安全架构和/或物联网生态系统的可扩展部署。在本文中，我们提出了一个基于分层区块链的联邦学习框架，以实现安全和隐私保护的协作物联网入侵检测。我们强调并展示了在组织间物联网网络之间共享网络威胁情报以提高模型检测能力的重要性。建议基于ML的入侵检测框架遵循分层联邦学习架构，以确保学习过程和组织数据的隐私。交易（模型更新）和流程将在安全的不可变分类账上运行，执行任务的一致性将由智能合约验证。我们已经测试了我们的解决方案，并通过实施它并使用关键的物联网数据集评估入侵检测性能来证明其可行性。其结果是一个安全设计的基于ML的入侵检测系统，能够检测到广泛的恶意活动，同时保护数据隐私。
2022-04-08 cs.CR cs.LG cs.NI
Towards Adversarial Realism and Robust Learning for IoT Intrusion Detection and Classification
Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD), School of Engineering, Polytechnic of Porto (ISEP/IPP)（先进创新与发展智能工程与计算研究组（GECAD），波尔图理工学院工程学院（ISEP/IPP））
物联网（IoT）面临着巨大的安全挑战。机器学习模型可用于应对越来越多的针对物联网系统的网络攻击变体，但对抗攻击构成的日益严重的威胁再次表明了对可靠防御策略的需求。这项工作描述了一个现实的对抗性网络攻击的例子所需的约束类型，并提出了一种方法，一个值得信赖的对抗性鲁棒性分析与现实的对抗性规避攻击向量。所提出的方法被用来评估三个监督算法，随机森林（RF），极端梯度提升（XGB），和轻梯度提升机（LGBM），和一个无监督算法，隔离森林（IFOR）。使用自适应扰动模式方法（A2PM）生成受约束的对抗性示例，并对使用常规和对抗性训练创建的模型进行规避攻击。尽管RF在二进制分类中受影响最小，但XGB在多类分类中始终达到最高的准确性。所获得的结果证明了基于树的算法和集成对对抗性规避攻击的固有敏感性，并证明了对抗性训练的好处和设计方法的安全性，以实现更强大的物联网网络入侵检测和网络攻击分类。
2023-03-03 cs.AI cs.CR cs.LG
An Intrusion Detection System based on Deep Belief Networks
Toshiba Europe Ltd.（东芝欧洲有限公司）；Cardiff University（卡迪夫大学）
互联设备的快速增长导致了被称为零日攻击的新型网络安全威胁的扩散。传统的基于行为的IDS依赖于DNN来检测这些攻击。用于训练DNN的数据集的质量在检测性能中起着关键作用，代表性不足的样本会导致性能低下。在本文中，我们开发并评估了DBN在连接设备网络中检测网络攻击的性能。CICIDS2017数据集用于训练和评估我们提出的DBN方法的性能。几类平衡技术的应用和评估。最后，我们将我们的方法与传统的MLP模型和现有的最先进的方法进行比较。我们提出的DBN方法显示出有竞争力和有前途的结果，在训练数据集中检测攻击的性能显着提高。
2022-07-05 cs.CR cs.LG
A Novel Deep Learning based Model to Defend Network Intrusion Detection System against Adversarial Attacks
Bharati Vidyapeeth's Institute of Computer Applications and Management（巴拉蒂·维德亚佩特计算机应用与管理学院）；Aligarh Muslim University（阿里格尔穆斯林大学）
本研究针对基于深度学习的网络入侵检测系统（NIDS）易受对抗性攻击的问题，实现了FGSM、JSMA、PGD和C&W四种对抗攻击方法，并采用对抗训练作为防御手段，利用CICIDS-2017数据集在攻击前后及防御后三个阶段评估了模型性能。
2023-07-31 cs.AI cs.CR cs.LG
Analyzing Adversarial Attacks Against Deep Learning for Intrusion Detection in IoT Networks
Carleton University（卡尔顿大学）
对抗攻击在计算机视觉领域已经得到了广泛的研究，但其对网络安全应用的影响仍然是一个开放的研究领域。随着物联网、5G和人工智能不断融合以实现第四次工业革命（工业4.0）的承诺，物联网网络上的安全事件和事件也在增加。深度学习技术正被应用于检测和缓解针对物联网网络的许多此类安全威胁。前馈神经网络（FNN）已被广泛用于对物联网网络中的入侵攻击进行分类。在本文中，我们考虑了FNN的一种变体，称为自规范化神经网络（SNN），并将其性能与FNN进行比较，用于对物联网网络中的入侵攻击进行分类。我们的分析是使用新南威尔士大学堪培拉网络中心网络范围实验室的BoT-IoT数据集进行的。在我们的实验结果中，FNN在物联网网络中的入侵检测方面优于SNN，这是基于多个性能指标，如准确度，精确度和召回率以及多分类指标，如Cohen的Kappa得分。然而，当测试对抗性鲁棒性时，SNN对来自物联网数据集的对抗性样本表现出更好的弹性，在物联网网络中寻求更安全和更安全的深度学习方面呈现出充满希望的未来。
2019-05-13 cs.CR cs.LG cs.NI
A Novel Unified Lightweight Temporal-Spatial Transformer Approach for Intrusion Detection in Drone Networks
Department of Computer Science and Engineering, Jahangirnagar University（贾杭吉纳大学计算机科学与工程系）；Department of Computer Science and Engineering, Bangladesh Army University of Science & Technology（孟加拉国陆军科学技术大学计算机科学与工程系）；State University of Bangladesh, Department of Computer Science and Engineering（孟加拉国国立大学计算机科学与工程系）；Skill Morph Research Lab., Skill Morph（Skill Morph研究实验室）
本文提出TSLT-Net，一种针对无人机网络的轻量级时空变换入侵检测系统，通过自注意力机制建模时间模式和空间依赖性，实现高精度检测，实验表明其在多类攻击分类和二元异常检测中表现优异，且内存占用低。
2025-10-03 cs.AI cs.CR cs.LG
Adaptative Perturbation Patterns: Realistic Adversarial Learning for Robust Intrusion Detection
Polytechnic of Porto（波尔图理工学院）；School of Engineering, Polytechnic of Porto（波尔图理工学院工程学院）
对抗攻击对机器学习和依赖它的系统构成了重大威胁。在网络安全领域，能够逃避检测的对抗性网络攻击示例尤其令人担忧。尽管如此，为具有表格数据的域生成的示例在该域中必须是现实的。这项工作建立了实现现实主义所需的基本约束水平，并介绍了自适应扰动模式方法（A2PM），以满足这些约束条件的灰盒设置。A2PM依赖于独立适应每个类别特征的模式序列，以创建有效和一致的数据扰动。该方法在两种情况下的网络安全案例研究中进行了评估：企业和物联网（IoT）网络。多层感知器（MLP）和随机森林（RF）分类器使用CIC-IDS 2017和IoT-23数据集通过常规和对抗训练创建。在每种情况下，针对分类器进行有针对性和无针对性的攻击，并将生成的示例与原始网络流量进行比较，以评估其真实性。所获得的结果表明，A2PM提供了一个可扩展的真实对抗性示例生成，这对于对抗性训练和攻击都是有利的。
2022-03-29 cs.AI cs.CR cs.LG
Unmasking Covert Intrusions: Detection of Fault-Masking Cyberattacks on Differential Protection Systems
Khalifa University（哈利法大学）；Concordia University（康考迪亚大学）；Cairo University（开罗大学）；University of Waterloo（滑铁卢大学）
针对线路电流差动继电器面临的隐蔽故障掩蔽网络攻击，提出结合物理失配指数与神经网络分类器的双模块检测框架，并通过IEEE 39节点系统和OPAL-RT验证其准确性与实时性。
2024-09-06 cs.CR cs.LG cs.SY
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
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
IntrusionX: A Hybrid Convolutional-LSTM Deep Learning Framework with Squirrel Search Optimization for Network Intrusion Detection
Dept. of CSE United International University Dhaka, Bangladesh（计算机科学与工程系 国际大学 达卡，孟加拉国）
针对入侵检测面临的攻击演变、数据高维及类别不平衡问题，提出融合CNN与LSTM、经SSA优化且含不平衡处理的IntrusionX框架，在NSL-KDD上实现了高精度与少数类检测性能提升。
2025-10-03 cs.CR cs.LG
