On the model-checking-based IDS
如何对基于模型检验(MC)技术的各种入侵检测(ID)算法进行综合性能比较?针对这一问题,本文对基于模型检验的入侵检测算法进行了测试。首先,分别采用线性时序逻辑(LTL)、区间时序逻辑(ITL)和实时攻击特征逻辑(RASL)建立了24种攻击的公式模型。在此基础上,构造了一个标准入侵集--基于模型检验的入侵检测入侵集(ISIDMC)。在此基础上,对基于模型检验的入侵检测算法的检测能力和效率进行了详尽的比较
2018-06-25 cs.CR
Robust Semi-Supervised Temporal Intrusion Detection for Adversarial Cloud Networks
RPTU University Kaiserslautern-Landau, Germany(科隆-兰道大学RPTU)
本文提出一种鲁棒的半监督时序学习框架,用于云入侵检测,通过结合监督学习与一致性正则化、置信度感知伪标签和选择性时间不变性,提高在对抗性和非平稳网络流量中的鲁棒性和泛化能力。
2026-04-14 cs.CR cs.LG
A PUF-Based Security Framework for Fault and Intrusion Detection
School of Electrical Engineering and Computer Science, Russ College of Engineering and Technology, Ohio University(俄亥俄大学Russ工程技术学院电气与计算机工程学院);J. Warren McClure School of Emerging Communication Technologies, Scripps College of Communications, Ohio University(俄亥俄大学Scripps传播学院J. Warren McClure新兴通信技术学院)
本文提出基于PUF的工业控制系统安全框架,通过硬件根信任架构实现传感器读数验证,有效检测故障和入侵行为。
2026-01-25 cs.CR
Temporal Analysis of NetFlow Datasets for Network Intrusion Detection Systems
本文研究了用于基于机器学习的网络入侵检测系统(NIDS)的NetFlow数据集的时序分析,通过创建并公开可用包含时序特征的NetFlow数据集,提供了对数据集的全面时序分析,并测试了时间频率信号表示对不同攻击的识别效果。
2026-09-01 cs.CR cs.LG cs.NI
An Experimental Study of Machine Learning-Based Intrusion Detection for OPC UA over Industrial Private 5G Networks
Helmut-Schmidt-University(赫尔穆特·施密特大学);Technical University of Applied Sciences Augsburg(奥格斯堡应用技术大学);ipoque GmbH(ipoque有限公司)
本文研究了在工业专用5G网络上基于机器学习的OPC UA入侵检测系统,通过多个攻击场景验证了其高检测性能。
2026-03-24 cs.CR
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
Toward Realistic Privacy Risk in FL-Enabled OT Intrusion Detection Systems
IMT School for Advanced Studies Lucca(卢卡高等研究学院);Parthenope University of Naples(那不勒斯帕尔特诺佩大学)
针对启用联邦学习的运营技术入侵检测系统的隐私风险问题,提出集成FL工作流的ML Plane架构抽象,构建基于FedMIA的隐私审计框架并在智能电网测试床中实例化,以评估现实部署下的隐私风险。
2026-10-14 cs.CR
Intrusion Detection System for Applications using Linux Containers
Linux容器在个人和工业应用中的吸引力越来越大,随着这些容器集成到关键任务系统中,实时检测恶意网络攻击成为关键的操作要求。本文介绍了一种实时的基于主机的入侵检测系统,可用于被动检测不法行为对Linux容器内的应用程序运行在一个独立的或在云多租户环境。所演示的入侵检测系统使用从主机内核监视的系统调用包来学习在Linux容器内运行的应用程序的行为并确定异常容器行为。使用数据库应用程序的方法的性能进行了测量和结果进行了讨论。
2016-11-09 cs.CR
Beyond Model Scaling: Rethinking Sequence Construction for Transformer-based Network Intrusion Detection
Macquarie University(麦考瑞大学)
该研究针对基于Transformer的网络入侵检测,提出会话一致性时间化方法,发现时间化是性能主导因素,会话一致性时间化可大幅提升Macro-F1,更大Transformer无精度增益,关键是保留通信会话语义。
2026-10-14 cs.CR cs.NI
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
Passive Hybrid Network-Based Intrusion Detection System (Hybrid-NIDS) Combining Suricata and Random Forest
Ho Chi Minh City College of Transport(胡志明市交通学院);Academy of Cryptography Techniques, Ho Chi Minh City Campus(密码技术学院胡志明市校区);Faculty of Computer Science and Engineering, Ho Chi Minh City University of Technology (HCMUT)(胡志明市理工大学计算机科学与工程系);Vietnam National University Ho Chi Minh City(越南国家大学胡志明市分校)
本文评估了结合Suricata与随机森林的被动混合入侵检测系统原型,发现其在公共基准上表现优异,但在实际部署中因领域偏移导致检测性能大幅下降,表明基准性能不能直接转化为操作有效性。
2026-09-22 cs.CR
A Temporal Convolutional Network-based Approach for Network Intrusion Detection
COEP Technological University(COEP理工大学);School of Computational Sciences(计算科学学院)
本文提出一种基于残差块与膨胀卷积的时间卷积网络用于网络入侵检测,在Edge-IIoTset数据集上取得96.72%准确率,并优于多种CNN与RNN混合模型。
2024-12-23 cs.CR cs.LG
Analyzing and Mitigating Poisoning Attacks on Flow-Based Intrusion Detection
CortAIx Labs, Thales Deutschland(Thales Deutschland);Grey Solutions;University of Osnabrück(奥斯纳布吕克大学);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);Ulm University(乌尔姆大学)
针对基于流的入侵检测系统易受少量数据投毒植入隐蔽后门的问题,提出诊断为先的方法,可定位特征、检测行为漂移并实现针对性缓解,为AI-IDS后门风险提供可扩展解决方案。
2026-11-13 cs.CR cs.LG
Intrusion Detection using Spatial-Temporal features based on Riemannian Manifold
Massey University(梅西大学)
网络流量数据是不同网络协议下不同数据字节分组的组合。这些业务数据包具有复杂的时变非线性关系。现有的国家的最先进的方法上升到这一挑战,融合功能到多个子集的基础上的相关性和使用混合分类技术,提取空间和时间特性。这通常需要高计算成本和手动支持,限制了它们对网络流量的实时处理。为了解决这个问题,我们提出了一种新的特征提取方法的基础上,协方差矩阵提取时空特征的网络流量数据检测恶意网络流量行为。我们提出的方法中的协方差矩阵不仅自然地编码了不同网络流量值之间的相互关系,而且具有落入黎曼流形的定义良好的几何形状。黎曼流形嵌入了距离度量,便于提取用于检测恶意网络流量的判别特征。我们在NSL-KDD和UNSW-NB 15数据集上评估了我们的模型,并表明我们提出的方法显着优于传统方法和其他现有的数据集研究。
2021-10-31 cs.CR cs.LG
An Improved CNN-LSTM Based Intrusion Detection System for IoT Networks
University of Engineering and Technology, Lahore(拉合尔工程与技术大学)
提出一种结合多类分类、数据集集成和时间特征学习的改进CNN-LSTM入侵检测模型,在物联网网络上达到约97%的准确率。
2026-06-04 cs.AI cs.CR cs.LG
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
Anomaly Detection in IEC-61850 GOOSE Networks: Evaluating Unsupervised and Temporal Learning for Real-Time Intrusion Detection
Computer Science(计算机科学);Boise State University(博伊西州立大学);Boise, Idaho USA(爱达荷州博伊西市)
本文评估了无监督时间建模在GOOSE网络异常检测中的有效性,比较了四种模型在ERE NO数据集上的性能,发现GRU在准确率与延迟之间取得最佳平衡,支持无监督时间模型在实时入侵检测中的应用。
2026-04-14 cs.CR cs.LG
Optimal Security Response to Network Intrusions in IT Systems
本文针对IT基础设施中的网络入侵,提出结合仿真模拟与博弈论随机逼近优化的实用最优安全响应方法,并证明策略结构性质、给出高效算法,弥合了理论最优性与实际运行性能之间的差距。
2025-03-13 cs.CR cs.GT
Intrusion Detection for Agentic Processes: Evidence-Based Runtime Monitoring
本文提出智能体流程入侵检测系统(A-IDS),通过证据感知的运行时监控比较观察与期望基线,以检测智能体流程中的安全偏差,贡献为概念性框架。
2026-10-02 cs.CR
Deep Learning for Contextualized NetFlow-Based Network Intrusion Detection: Methods, Data, Evaluation and Deployment
Hassan II University(哈桑二世大学)
本文提出基于上下文的深度学习方法,用于改进网络入侵检测,强调评估和部署的现实性,探讨上下文对检测效果的影响。
2026-03-03 cs.CR
Do Transformers Actually Help Intrusion Detection? A Temporal Sequence Evaluation on CIC-IDS2017
Department of Electrical and Computer Engineering, Faculty of Engineering, Royal Military College of Canada (RMC)(加拿大皇家军事学院电气与计算机工程系,工程学院)
本研究重新将 CIC-IDS2017 构建为时间序列入侵检测任务,发现填充方式而非架构决定 Transformer 性能,且随机分割和填充方式会高估模型鲁棒性。
2026-07-27 cs.CR cs.LG
Open Set Intrusion Recognition for Fine-Grained Attack Categorization
自信地区分网络上的恶意入侵是一个重要的挑战。大多数入侵检测系统的评估已经在一个封闭的协议中进行,其中只考虑在训练过程中看到的类在分类。到目前为止,还没有一个实际的应用程序,在训练中看不到的新类型的行为-未知的类-必须识别手动分类。本文比较评估恶意软件分类使用封闭集和开放集协议的入侵识别KDDCUP'99数据集。与以前的许多工作相比,我们采用了细粒度的识别协议,其中数据集是松散的开集-即,识别各个入侵类型--例如,“sendmail”,“snmp guess”,.,等等,而不是更一般的攻击类别(例如,“DoS”、“Probe”、“R2L”、“U2R”、“Normal”)。我们还采用了两种不同的分类器类型-高斯RBF核支持向量机,这在理论上不能保证约束开放空间风险,和W-SVM,这在理论上保证约束开放空间风险。我们发现W-SVM在开集机制下提供了优越的性能,特别是在查询时错误分类未知类的成本(即,训练集中不存在的类)增加。性能权衡的结果,成本未知,以及讨论这些研究结果的后果,在操作设置。
2017-03-07 cs.CR
CANGuard: A Spatio-Temporal CNN-GRU-Attention Hybrid Architecture for Intrusion Detection in In-Vehicle CAN Networks
Begum Rokeya University, Rangpur(贝古姆·罗基亚大学,朗布尔);Wilmington University(威尔明顿大学);Trine University(特莱恩大学)
本文提出CANGuard架构,结合CNN、GRU和注意力机制,通过CICIoV2024数据集验证,实现了在准确率、精确率、召回率和F1分数上的竞争力,并通过消融研究和SHAP分析验证了模型有效性。
2026-03-26 cs.AI cs.CR
TEAM: Temporal Adversarial Examples Attack Model against Network Intrusion Detection System Applied to RNN
School of Cyber Science and Engineering, Wuhan University(武汉大学网络安全学院)
提出针对RNN的时间对抗样本攻击模型TEAM,利用时间步关联和时间膨胀技术,显著提升NIDS在黑盒和白盒下的误判率,最高超过96.68%。
2024-09-19 cs.AI cs.CR
Timestamp-Aware Spatio-Temporal Graph Contrastive Learning for Network Intrusion Detection
Central South University of Forestry and Technology, School of Computer Science and Mathematics(中央林业科技大学计算机科学与数学学院);Central South University, School of Computer Science and Engineering(中南大学计算机科学与工程学院)
提出一种自监督图神经网络框架,通过时间戳构建时序图,结合E-GraphSAGE和LSTM编码时空依赖,并采用多视图图对比学习(时空特征对比)及自适应权重策略,在四个数据集上达到与监督方法相当的性能。
2026-06-17 cs.AI cs.CR cs.LG
Improving Service Availability in KubeEdge-Based Architectures Using Lightweight Intrusion Detection
Laval University(拉瓦尔大学)
针对KubeEdge边缘架构的安全威胁,提出轻量级入侵检测规则集RIDRS,通过及时检测和缓解DoS攻击及恶意容器部署,显著减少停机时间并提升服务可用性。
2026-09-24 cs.CR cs.SE
Application of Deep Reinforcement Learning for Intrusion Detection in Internet of Things: A Systematic Review
本系统综述探讨深度强化学习在物联网入侵检测中的应用,通过分析近十年研究,表明DRL能增强IDS适应性,提高威胁检测准确性并减少误报,同时指出研究空白与未来方向。
2025-04-20 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
Autoencoder-based Unsupervised Intrusion Detection using Multi-Scale Convolutional Recurrent Networks
网络流量数据的大量增长导致了大量的数据集。标记这些数据集以识别入侵攻击是非常费力且容易出错的。此外,网络流量数据具有复杂的时变非线性关系。现有的最先进的入侵检测解决方案使用各种监督方法的组合以及基于流量数据中的相关性的融合特征子集。这些解决方案通常需要很高的计算成本,手动支持微调入侵检测模型,并标记限制网络流量实时处理的数据。无监督解决方案确实减少了标记数据的计算复杂性和手动支持,但当前的无监督解决方案没有考虑交通数据中的时空相关性。为了解决这个问题,我们提出了一种基于多尺度卷积神经网络和长短期记忆(MSCNN-LSTM-AE)相结合的统一自动编码器,用于网络流量中的异常检测。该模型首先采用多尺度卷积神经网络自动编码器(MSCNN-AE)对数据集的空间特征进行分析,然后采用基于长短期记忆(LSTM)的自动编码器网络对数据集的时间特征进行处理。我们的模型进一步采用两个隔离森林算法作为纠错机制来检测假阳性和假阴性,以提高检测精度。此外,协方差矩阵形成自然嵌入有距离度量的黎曼流形,其促进用于检测恶意网络流量的描述性模式。我们评估了我们的模型NSL-KDD,UNSW-NB 15和CICDDoS 2019数据集,并表明我们提出的方法显着优于传统的无监督方法和其他现有的数据集研究。
2022-04-07 cs.CR
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
Forensic-Oriented Intrusion Detection Using Synthetic Network Traffic Data and Explainable Artificial Intelligence
CESTE, University Center, Zaragoza, Spain(西班牙萨拉戈萨大学中心CESTE)
提出一个符合取证标准的入侵检测框架,通过合成数据训练XGBoost模型,结合SHAP提供实例级解释,在CICIDS2017上F1-macro达0.96,保留攻击指纹。
2026-07-02 cs.CR cs.LG
SoK: Reshaping Research on Network Intrusion Detection Systems
University of Liechtenstein(列支敦士登大学);Reykjavik University(雷克雅未克大学)
本文通过反思网络入侵检测系统(NIDS)的研究现状,指出其内在特性被误解的问题,并提出改进建议,旨在重塑NIDS研究方向。
2026-04-19 cs.CR
Machine Learning-Assisted Intrusion Detection for Enhancing Internet of Things Security
University of New Mexico(新墨西哥大学);Florida International University(佛罗里达国际大学);Florida Atlantic University(佛罗里达大西洋大学);University of Washington(华盛顿大学);Islamic Azad University(伊斯兰阿扎德大学)
本文调研了物联网安全领域基于机器学习的入侵检测策略最新研究,梳理相关研究并分类,指出现有研究空白与框架局限,为未来研究提供参考。
2024-10-06 cs.CR cs.LG
Robustness Analysis of Machine Learning Models for IoT Intrusion Detection Under Data Poisoning Attacks
Department of Telecommunication, Kwame Nkrumah University of Science and Technology (KNUST), Kumasi, Ghana(电信系,科克伦大学科学与技术学院(KNUST),加纳库马西)
本研究评估了四种常用分类器在数据中毒攻击下的鲁棒性,发现集成模型较稳定,而逻辑回归和深度神经网络在标签操纵和异常值攻击下性能下降达40%,强调了对抗训练和异常监控的重要性。
2026-04-15 cs.AI cs.CR
A Secured Intent-Based Networking (sIBN) with Data-Driven Time-Aware Intrusion Detection
Technical University of Braunschweig(布伦瑞克工业大学)
针对意图网络对意图完整性隐式信任导致易受中间人篡改攻击的问题,提出安全意图网络sIBN,利用机器学习行为异常检测和时间感知特征识别意图篡改,并在真实数据集上验证了其在二分类和多分类任务中的最佳性能。
2025-11-07 cs.CR cs.NI
Enhanced Anomaly Detection in Industrial Control Systems aided by Machine Learning
本文针对工业控制系统中单一数据源难以检测跨层复杂攻击的问题,基于 SWaT 数据集评估多种机器学习模型,证明融合网络流量与过程数据可提升攻击分类召回率。
2024-10-25 cs.CR
ExAI5G: A Logic-Based Explainable AI Framework for Intrusion Detection in 5G Networks
organization= Faculty of Information Technology;Electrical Engineering, University of Oulu , addressline= , city= Oulu , postcode= 90570 , state= , country= Finland
本文提出ExAI5G框架,结合Transformer深度学习与逻辑可解释AI技术,实现高精度且透明的入侵检测,通过逻辑规则提取和解释评估方法,达到99.9%准确率和0.854宏F1分数,展示出模型推理的透明性。
2026-04-20 cs.AI cs.CR cs.LG
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
Simplicity over Complexity: An ARN-Based Intrusion Detection Method for Industrial Control Network
针对工业控制网络流量数据大规模、高维等特性影响检测效率的问题,提出一种基于新型关联循环网络(ARN)的入侵检测方法,在SWaT和UNSW-NB15数据集上分别达到95.48%和97.61%的准确率。
2024-12-19 cs.CR
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
Tracing the Chain: Deep Learning for Stepping-Stone Intrusion Detection
University of Minnesota(明尼苏达大学)
本文提出ESPRESSO模型用于中继入侵检测,通过深度学习实现低误报率的流量相关性分析,优于现有方法,且能预测链长以区分恶意行为。
2026-04-09 cs.CR cs.LG
Real-time Network Intrusion Detection via Decision Transformers
George Washington University(乔治华盛顿大学);Army Cyber Institute(陆军网络研究所);United States Military Academy(美国军事学院)
针对实时网络入侵检测中马尔可夫性质不成立、状态不可观测的问题,本文提出基于因果决策Transformer的序列建模框架,以历史轨迹为条件生成检测决策,实现准确率与时效性的新权衡,在公开数据集上表现优于基线算法。
2023-12-17 cs.AI cs.CR
A Calibrated and Explainable Bimodal Machine Learning Framework for Hybrid Intrusion Detection
Donghua University(东华大学)
该研究提出一种校准型可解释双峰机器学习框架,通过特征提取、混合重采样、保序回归校准等技术,在CIC-IDS2017数据集上实现了高精度的混合入侵检测,可检测未知攻击且决策可解释。
2026-08-18 cs.CR
NetVAD: Foundation-Model Representation Learning for Identifier-Free Unsupervised Intrusion Detection
Ostbayerische Technische Hochschule Amberg-Weiden(东巴伐利亚应用科技大学安贝格-魏登)
提出NetVAD,一种严格无标识符的变分自编码器,利用冻结的基础模型表示,仅通过良性流量训练,在无监督入侵检测中达到与监督方法竞争的性能。
2026-07-01 cs.CR
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
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
Anomaly-Based Intrusion Detection System for Cyber-Physical System Security
在过去的十年中,工业控制系统经历了与信息技术的大规模集成。工业网络经历了无数次技术变革,以保护运营和生产流程,导致今天的新工业革命。信息技术工具无法保证工业领域的机密性、完整性和可用性,因此了解物理组件与网络的交互至关重要。因此,工业控制系统通常是信息物理系统(CPS)的一个例子。本文旨在为网络物理系统中的网络攻击检测提供一种工具。该方法基于机器学习来提高系统的安全性。通过分析机器学习假设的值,可以评估三个模型的分类性能。使用训练集获得的模型允许对异常行为的样本和与正常行为相关的样本进行分类。在水箱系统中实现了攻击识别,利用机器学习的识别方法来避免水箱溢出等危险状态。结果令人鼓舞,证明了其有效性。
2021-10-25 cs.CR cs.SY eess.SY
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
SAGE: Intrusion Alert-driven Attack Graph Extractor
Delft University of Technology(代尔夫特理工大学);Rochester Institute of Technology(罗切斯特理工大学)
攻击图(AG)用于评估网络对手渗透网络的路径。用于AG生成的最先进的方法主要集中在基于网络扫描和专家知识导出系统漏洞之间的依赖关系。然而,在现实世界的操作中,依赖于持续的漏洞扫描和专家制作的AG是昂贵且无效的。我们建议自动学习AG的基础上观察到的入侵警报,没有事先的专家知识的行动。具体来说,我们开发了一个无监督的序列学习系统,SAGE,利用时间和概率之间的依赖性警报在一个基于后缀的概率确定性有限自动机(S-PDFA)-一个模型,强调不频繁的严重警报,并总结路径导致他们。然后,在每个目标、每个受害者的基础上,从S-PDFA中推导出AG。SAGE通过Collegiate Penetration Testing Competition收集的入侵警报进行了测试,将超过330 k的警报压缩到93个AG中。这些AG反映了参与团队使用的策略。AG是简洁的、可解释的,并且捕获行为动态,例如,攻击者通常会沿着更短的路径重新利用目标。
2021-10-14 cs.CR cs.LG
Novel Approach to Intrusion Detection: Introducing GAN-MSCNN-BILSTM with LIME Predictions
Ibn Zohr University(伊本·佐尔大学)
本文提出一种结合GAN、MSCNN、BiLSTM和LIME的入侵检测系统,利用GAN生成流量数据、MSCNN-BiLSTM提取多尺度特征与时间依赖,并通过LIME提供可解释性,在Hogzilla数据集上取得99.16%多分类和99.10%二分类准确率。
2024-06-08 cs.AI cs.CR cs.NI
ProvICS: A Provenance-based Intrusion Detection for Industrial Control Systems
The University of Texas at El Paso(德克萨斯大学埃尔帕索分校)
针对工业控制系统因信息技术与运营技术融合面临多阶段网络攻击,且基于溯源的入侵检测系统在工业网络物理系统中适用性待探索的问题,提出ProvICS多模态溯源数据集,经实验验证其能有效检测攻击事件,填补现有基准空白。
2026-07-08 cs.CR
SecureDyn-FL: A Robust Privacy-Preserving Federated Learning Framework for Intrusion Detection in IoT Networks
Sir Syed CASE Institute of Technology(Sir Syed CASE 理工学院);Habib University(哈比布大学);Yeunganam University(延世南大学);University of Nottingham Ningbo China(诺丁汉大学宁波分校);Korea University(高丽大学)
SecureDyn-FL通过动态梯度审计、安全聚合和个性化学习,提升物联网入侵检测的隐私保护和鲁棒性。
2026-01-10 cs.CR cs.NI
Beyond Detection Accuracy: Measuring Explanation Cost, Stability, and Utility for Resource-Aware IoT Intrusion Detection
organization= Independent Researcher , city= Istanbul , country= Türkiye
本研究针对物联网入侵检测,构建泄露安全的CICIoT2023语料库,评估四种模型的预测性能、解释成本与稳定性,发现需综合多指标而非仅检测准确率实现实用可解释检测。
2026-08-12 cs.CR cs.LG cs.NI
AegisMCP: Online Graph Intrusion Detection for Tool-Augmented LLMs on Edge Devices
Imperial College London(帝国理工学院)
AegisMCP提出协议级入侵检测方法,通过流式异构图和CPU流式检测器,在边缘设备上实现亚秒级智能体工具链攻击检测,优于基线并开源。
2025-10-25 cs.CR