Time-Based CAN Intrusion Detection Benchmark
University of Kentucky（肯塔基大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
现代车辆是由数百个电子控制单元（ECU）组成的复杂的网络物理系统，这些ECU通过控制器局域网（CAN）进行通信。这种继承的复杂性扩大了CAN攻击面，容易受到消息注入攻击。这些注入改变了总线上的消息的整体时序特性，因此，为了检测这些恶意消息，已经提出了基于时间的入侵检测系统（IDS）。然而，基于时间的入侵检测系统通常是在低保真度数据集上训练和测试的，具有不切实际的标记攻击。这使得评估、比较和验证IDS的任务变得困难。在这里，我们详细介绍了四个基于时间的IDS，并对新发布的ROAD数据集进行了基准测试，ROAD数据集是第一个开放的CAN IDS数据集，具有真实（非模拟）的隐形攻击，具有物理验证的效果。我们发现，通过明确估计消息时序分布来执行假设检验的方法比在分布相关统计中寻求异常的方法具有更低的性能。特别地，这些基于“分布不可知”的方法在精确度-召回率曲线下的面积（AUC-PR）方面优于“基于分布”的方法至少55%。我们的研究结果通过提供这些方法的详细信息并在具有真正高级攻击的数据集上进行测试时报告其结果来扩展CAN基于时间的IDS的知识体系。最后，我们开发了一个售后市场的插件检测器使用轻量级的硬件，它可以用来部署性能最好的IDS方法，几乎任何车辆。
2021-01-14 cs.CR cs.LG
Enhanced Few-shot Learning for Intrusion Detection in Railway Video Surveillance
Beijing Jiaotong University（北京交通大学）；University of Bath（巴斯大学）
近年来，视频监控越来越受欢迎，以协助铁路入侵检测。然而，由于以下原因，高效且准确的入侵检测仍然是一个具有挑战性的问题：（a）有限的样本数量：只有小样本大小（或部分）的侵入性视频帧可用;（b）低场景间相异度：各种铁路轨道区域场景由安装在不同地形中的相机捕获;（c）高场景内相似度：由单个相机捕获的视频帧共享相同的背景。在本文中，一个有效的少样本学习解决方案，以解决上述问题。特别地，使用原始视频帧和从视频中提取的跟踪区域的分段掩模来训练增强的模型不可知的元学习器。此外，在元模型训练阶段，针对视频帧的高度相似性，给出了理论分析和工程解决方案。该方法在真实的铁路视频数据集上进行了测试。实验结果表明，该方法仅需少量新采集的视频帧样本就能成功适应未知场景，其入侵检测精度优于标准随机初始化监督学习.
2020-11-09 cs.LG cs.SY eess.SP
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
Hybrid Deep Learning-Federated Learning Powered Intrusion Detection System for IoT/5G Advanced Edge Computing Network
本文提出一种融合CNN、BiLSTM和自编码器的联邦学习入侵检测系统，在UNSW-NB15上取得AUC 99.59%和F1 97.36%，推理时间仅0.0476毫秒，满足5G-Advanced边缘部署的URLLC要求。
2025-09-19 cs.CR cs.LG cs.NI
Securing Fog-to-Things Environment Using Intrusion Detection System Based On Ensemble Learning
École de Technologie Supérieure（高等技术学院）
人们对物联网（IoT）应用的兴趣日益增长，这与安全威胁的增加有关。在这种情况下，入侵检测系统（IDS）已经成为一个可行的解决方案，用于检测和预防恶意活动。与基于特征的检测方法不同，基于机器学习的解决方案是检测未知攻击的一种有前途的手段。然而，机器学习模型需要足够准确以减少假警报的数量。更重要的是，它们需要在现实的数据集上进行训练和评估，以便在实时部署中验证其有效性。文献中提出的许多解决方案据报道具有很高的准确性，但在实际应用中是无效的，由于用于训练和评估的基础模型的数据集的非代表性。另一方面，一些现有的解决方案克服了这些挑战，但产生低精度，这阻碍了它们的商业工具的实现。这些解决方案主要基于单个学习器，因此直接受到每个学习算法的内在限制的影响。本文的新颖之处在于使用最真实的入侵检测数据集NSL-KDD，并结合多个学习器来构建集成学习器，以提高检测的准确性。此外，提出了一种部署架构，在雾到的东西的环境中，采用两个级别的分类。在这种架构中，第一级执行异常检测，这大大减少了分类的延迟，而第二级执行攻击分类，从而实现精确的预防措施。最后，在NSL-KDD数据集上的实验结果表明，与其他国家的最先进的IDS的有效性。
2019-01-30 cs.CR cs.LG cs.NI
ByteStack-ID: Integrated Stacked Model Leveraging Payload Byte Frequency for Grayscale Image-based Network Intrusion Detection
Texas A&M University（得克萨斯农工大学）；Clean and Resilient Energy Systems (CARES) Lab（清洁与弹性能源系统实验室）
ByteStack-ID提出一种基于包级载荷字节频率生成灰度图像的集成堆叠入侵检测方法，通过融合元学习器构建统一模型，在多分类任务中达到81%的宏平均F1分数。
2024-02-15 cs.AI cs.CR cs.LG
Active Learning for Network Intrusion Detection
Stanford University（斯坦福大学）
网络运营商通常知道他们防御的常见攻击媒介。对于大多数网络来说，绝大多数流量都是合法的。然而，新的攻击向量不断地被恶意行为者设计和尝试，这些恶意行为者绕过检测，并且由于数量少而不被注意。寻找这种活动的一个策略是寻找异常行为。调查异常行为需要大量的时间和资源。收集大量标记的示例来训练监督模型既昂贵得令人望而却步，又会随着新的攻击浮出水面而过时。一个纯无监督的方法是理想的;然而，研究表明，即使是非常少量的标记的例子可以显着提高异常检测的质量。期望一种方法，其最小化所需标记的数量，同时最大化检测质量。在这种情况下，误报会导致浪费工作或阻塞合法流量，而误报则会转化为未检测到的攻击。我们提出了一个通用的主动学习框架和实验与不同的选择学习者和抽样策略。
2019-04-02 cs.CR cs.LG stat.ML
A Comprehensive Guide to CAN IDS Data & Introduction of the ROAD Dataset
Rewiring America（重新布线美国）；Oak Ridge National Laboratory（橡树岭国家实验室）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
本文首次系统梳理现有CAN入侵数据集并指出其局限，提出包含3.5小时真实车辆数据、多种隐蔽攻击的ROAD数据集，以促进CAN入侵检测的基准测试与结果可比性。
2024-02-07 cs.CR cs.LG
STRABLE: Benchmarking Tabular Machine Learning with Strings
SODA Team, INRIA Saclay（SODA团队，INRIA萨克莱实验室）；Probabl；University of Freiburg（弗赖堡大学）；Prior Labs；ELLIS Institute Tübingen（图宾根ELLIS研究所）；Technion – Israel Institute of Technology（技术ion-以色列理工学院）
本文提出STRABLE基准数据集，通过评估445种表格学习管道，探讨字符串和数字混合数据的处理方法，发现基于字符串嵌入的模型在低计算成本下表现优异，而大语言模型在文本主导数据中更具竞争力。
2026-10-21 cs.LG
CANShield: Deep Learning-Based Intrusion Detection Framework for Controller Area Networks at the Signal-Level
Virginia Tech（弗吉尼亚理工大学）；UT-Battelle, LLC（UT-巴特勒有限责任公司）；US Department of Energy（美国能源部）
针对CAN总线易遭高级信号层注入攻击、传统IDS检测效果差的问题，提出含预处理、多尺度AE分析、集成检测三模块的深度学习框架CANShield，在两个数据集上验证了其高准确性与响应性。
2023-10-07 cs.CR cs.LG
A Defensive Framework Against Adversarial Attacks on Machine Learning-Based Network Intrusion Detection Systems
Boston University（波士顿大学）
针对基于机器学习的网络入侵检测系统易受对抗规避攻击的问题，提出整合多种技术的防御框架，经数据集验证在对抗条件下检测准确率提升、误报率降低，推动其实际部署。
2025-02-21 cs.CR cs.LG
Effective Multi-Stage Training Model For Edge Computing Devices In Intrusion Detection
Posts and Telecommunications Institute of Technology（邮政电信技术学院）
针对边缘计算等资源受限设备的入侵检测模型适配问题，提出结合改进剪枝与模型压缩的三阶段训练范式，在UNSW-NB15数据集上实现了模型规模显著缩减且准确率与同类方案相当的效果。
2024-01-31 cs.CR cs.LG
Hybrid Ensemble Method for Detecting Cyber-Attacks in Water Distribution Systems Using the BATADAL Dataset
Center for Fundamental Physics, School of Artificial Intelligence, Hubei Polytechnic University, Huangshi 435003, China（基础物理中心、人工智能学院、湖北 polytechnic 大学）；The European Higher Education Institute, St. Julian's STJ 3141, Malta（欧洲高等教育研究所）
本文提出基于BATADAL数据集的混合集成方法，利用随机森林、eXtreme梯度提升和LSTM的组合，有效解决水分配系统网络攻击检测中的类别不平衡和时间依赖问题，提升检测性能。
2025-12-16 cs.CR cs.LG
A Comprehensive Comparative Study of Individual ML Models and Ensemble Strategies for Network Intrusion Detection Systems
Purdue University（普渡大学）
本文针对网络入侵检测中单一模型选择困难的问题，提出一个集成学习评估框架，在RoEduNet-SIMARGL2021和CICIDS-2017数据集上系统比较14种个体模型与集成方法，并公开源代码以支持后续研究。
2024-10-21 cs.AI cs.CR cs.LG
Towards a Privacy-preserving Deep Learning-based Network Intrusion Detection in Data Distribution Services
City, University of London（伦敦大学城市学院）
数据分发服务（DDS）是ICS/IoT基础设施和机器人通信的创新方法。它基于可应用于任何计算机化设备的跨平台和跨语言API，提供了现代程序设计语言的好处，并有机会开发更复杂和先进的系统。然而，DDS的复杂性同样增加了其脆弱性，而现有的安全措施仅限于插件和静态规则，其余的安全性由第三方应用程序和操作系统提供。具体来说，传统的入侵检测系统（IDS）不会检测到发布/订阅方法中的任何异常。随着全球通信交换呈指数级增长，保护DDS对于面向未来的工业、公共甚至个人设备和系统至关重要。本报告介绍了一项实验工作，模拟针对DDS的几种特定攻击，以及深度学习在检测中的应用。研究结果表明，尽管深度学习允许仅使用元数据分析来检测所有模拟攻击，但它们的检测水平各不相同，其中一些高级攻击更难检测。保护隐私的尝试所施加的限制显着降低了检测率。该报告还回顾了深度学习方法的缺点和局限性，并提出了一组精选的解决方案和配置，可以进一步提高DDS的安全性。
2021-06-12 cs.CR 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
SDNGuardStack: An Explainable Ensemble Learning Framework for High-Accuracy Intrusion Detection in Software-Defined Networks
Dept. of CSE（计算机科学与工程系）；University of Barishal（巴里什尔大学）；University of Scholars（学者大学）
本文提出SDNGuardStack框架，结合预处理、特征选择和集成学习，实现高准确率的入侵检测，同时通过SHAP提升模型可解释性，实验表明其准确率高达99.98%。
2026-04-22 cs.CR cs.LG
A transformer-BiGRU-based framework with data augmentation and confident learning for network intrusion detection
Jilin University（吉林大学）；Xidian University（西安电子科技大学）；Guizhou Medical University（贵州医科大学）
针对网络入侵检测数据集数据稀缺、类别不平衡且传统方法难以应对复杂模式的问题，本研究提出结合Transformer与BiGRU、辅以特征选择和数据增强的TrailGate框架，可有效检测常见及新兴威胁。
2025-09-05 cs.CR cs.LG
Investigating Application of Deep Neural Networks in Intrusion Detection System Design
University of North Dakota（北达科他大学）
针对现有IDS在检测准确率与未知攻击检测上的挑战，本研究基于ASNM-TUN数据集，采用多层感知机与前向特征选择（FFS）构建DNN模型，但测试结果表明该模型无法准确区分网络入侵分类。
2025-01-27 cs.CR cs.LG
Which Deep Learner? A Systematic Evaluation of Advanced Deep Forecasting Models Accuracy and Efficiency for Network Traffic Prediction
Kyushu University（九州大学）
本文系统评估了十二种先进深度预测模型在网络流量预测中的准确性和效率，揭示了性能范围、效率阈值及平衡准确与效率的架构。
2026-01-06 cs.LG cs.NI
Robust Intrusion Detection System with Explainable Artificial Intelligence
Ericsson Research（爱立信研究院）；Ericsson Standards and Technology（爱立信标准与技术部门）
本文提出一种基于可解释人工智能（XAI）的对抗攻击检测与缓解策略，在O-RAN的RRC层实现零接触实时防御，并通过多场景测试验证其有效性。
2025-03-07 cs.CR cs.LG
Optimization of Lightweight Malware Detection Models For AIoT Devices
National Taiwan University of Science and Technology（台湾科技大学）；National Sun Yat-sen University（国立中山大学）
针对低端 AIoT 设备资源受限问题，本文优化超级学习器元学习恶意软件检测集成模型，在保持准确率和 FPR 的同时降低推理时间与内存占用。
2024-04-06 cs.CR cs.LG
SAFE: Self-Supervised Anomaly Detection Framework for Intrusion Detection
University of California, San Diego（加利福尼亚大学圣迭戈分校）
针对物联网设备激增导致的网络漏洞问题，提出SAFE框架，将表格网络入侵数据转为类图像格式，通过掩码自动编码器学习网络行为表示并结合轻量级检测器，在F1分数上显著优于现有方法。
2025-02-10 cs.CR cs.LG
HybridGuard: Enhancing Minority-Class Intrusion Detection in Dew-Enabled Edge-of-Things Networks
Department of Computer Science and Information Engineering, National Taiwan University of Science and Technology（计算机科学与信息工程系，台湾科技大学）；Department of Computer Science and Engineering, Digital University Kerala（计算机科学与工程系，数字大学喀拉拉）
针对露水使能物联网边缘网络的入侵检测挑战，提出HybridGuard框架，通过互信息特征选择和WCGAN-GP解决数据不平衡问题，采用DualNetShield两阶段架构，在三个数据集上表现优于现有方案，提升少数攻击类检测性能。
2025-11-11 cs.AI cs.CR cs.LG
CAN-LOC: Spoofing Detection and Physical Intrusion Localization on an In-Vehicle CAN Bus Based on Deep Features of Voltage Signals
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Politehnica University of Timisoara（蒂米什瓦拉理工大学）
控制器局域网（CAN）用于车载设备之间的通信。CAN总线已被证明容易受到远程攻击。为了增强车辆抵御此类攻击的能力，车辆制造商将车载网络划分为子网络，在逻辑上隔离关键设备。但是，攻击者仍然可以物理访问各种子网，在这些子网中他们可以连接恶意设备。这一威胁尚未得到充分解决，因为为确定实际入侵点而提出的方法效果不佳，因此需要开发更先进的技术。为了解决这种类型的威胁，我们提出了一个车载网络的安全加固系统。所提出的系统包括两个机制，处理从CAN总线上测量的电压信号中提取的深度特征。第一种机制使用数据增强和深度学习来检测和定位车辆启动时的物理入侵;这种机制可以检测和定位入侵，即使在连接的恶意设备静默时也是如此。这种机制的有效性（100%的准确性）证明了在各种各样的插入情况下的CAN总线原型。第二种机制是一种连续的设备认证机制，也是基于深度学习的;这种机制的鲁棒性（99.8%的准确率）在真实的移动车辆上得到了证明。
2021-06-15 cs.CR cs.LG
Enhanced Intrusion Detection in IIoT Networks: A Lightweight Approach with Autoencoder-Based Feature Learning
The University of Toledo（托莱多大学）
针对IIoT网络入侵检测中类别不平衡与多分类挑战，提出利用自编码器降维的轻量级Decision Tree模型，在Edge-IIoTset数据集上达99.94%准确率，并首次在Jetson Nano上实现毫秒级推理。
2025-01-25 cs.LG
Intrusion Detection in Internet of Things using Convolutional Neural Networks
Cyber Security Strategic Technology Centre, ST Engineering Singapore（新加坡ST工程公司网络安全战略技术中心）
物联网（IoT）已成为满足行业需求的流行模式，如资产跟踪，资源监控和自动化。由于物联网设备在部署过程中往往忽略了安全机制，因此更容易受到使用先进技术的复杂和大容量入侵攻击。在过去的十年中，人工智能（AI）已被网络安全社区用于自动识别此类攻击。然而，深度学习方法尚未被广泛探索用于专门针对物联网的入侵检测系统（IDS）。最近的大多数工作都是基于时间序列模型，如LSTM，而CNN的研究很少，因为它们并不适合解决这个问题。在本文中，我们提出了一种新的解决方案，用于使用CNN对物联网设备进行入侵攻击。数据被编码为卷积运算，以从传感器数据中捕获对CNN检测攻击有用的模式。该方法集成了两个经典的CNN：ResNet和EfficientNet，其中检测性能进行了评估。实验结果表明，与使用LSTM的基线相比，真阳性率和假阳性率都有显着改善。
2022-11-18 cs.AI 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
Deep Neural Networks based Meta-Learning for Network Intrusion Detection
Pakistan Institute of Engineering & Applied Sciences（巴基斯坦工程与应用科学学院）；Air University（空军大学）；Ghulam Ishaq Khan Institute of Engineering Sciences and Technology（古拉姆·伊沙克·汗工程科学与技术研究所）；Majmaah University（迈季迈阿大学）
针对网络流量攻击类型多变及数据集偏移导致检测率低的问题，提出基于深度神经网络的元学习框架INFUSE，通过融合特征与决策空间并利用深度稀疏自编码器与元学习器进行集成，在多个基准数据集上取得了高准确率与强泛化能力。
2023-07-28 cs.CV cs.LG
Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection
Xidian University（西安电子科技大学）；University of Padova（帕多瓦大学）
针对现有PIDS统一对待关系而忽视统计异质性的问题，提出RECAL框架，通过关系平衡掩码图学习与误差校准，在DARPA E3数据集上显著提升F1分数并大幅降低误报率。
2026-09-22 cs.CR cs.LG
Adaptive Intrusion Detection System Leveraging Dynamic Neural Models with Adversarial Learning for 5G/6G Networks
University of Newcastle（纽卡斯尔大学）；Thapar Institute of Engineering and Technology（塔帕尔工程技术学院）
本文提出利用动态神经网络和对抗学习的适应性入侵检测系统，通过增量学习减少重新训练需求，提升5G/6G网络的实时威胁检测与响应能力。
2025-12-13 cs.CR cs.LG
Sdn Intrusion Detection Using Machine Learning Method
North South University（北南大学）
本研究提出基于梯度提升的GBDT-IDS模型，在UNSW-NB 15基准上实现99.87%准确率，有效提升SDN入侵检测性能。
2024-11-08 cs.CR cs.LG cs.NI
Kairos: Practical Intrusion Detection and Investigation using Whole-system Provenance
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）；University of British Columbia（不列颠哥伦比亚大学）；Wake Forest University（维克森林大学）
针对现有基于溯源图的入侵检测系统难以兼顾范围、攻击无关性、时效性与攻击重构的问题，提出 KAIROS，通过图神经网络编码器-解码器量化事件异常并重构攻击摘要图，在基准数据集上优于以往方法。
2023-09-28 cs.CR cs.LG
A 6G Integrated Sensing and Communication Framework for Railway Intrusion Detection and Collision Prediction
本研究提出结合3D CNN与BiLSTM的机器学习模型，利用6G ISAC的CSI技术实现铁路入侵检测与碰撞预测，在合成数据上达到99.57%的检测准确率及0.4240的组合MAE。
2026-08-06 cs.AI cs.LG eess.SP
Self-Supervised Transformer-based Contrastive Learning for Intrusion Detection Systems
Dept. of Electrical and Computer Engineering, University of Thessaly（电气与计算机工程系，希腊塞萨洛尼基大学）；Centre for Research and Technology Hellas, CERTH（希腊研究中心与技术中心，CERTH）
提出基于 transformer 编码器和数据包级增强的自监督对比学习 IDS，直接学习原始报文序列表示，在数据集内、跨数据集及少标注监督场景中显著提升 AUC。
2025-05-12 cs.CR cs.LG
Convolutional Neural Networks and Mixture of Experts for Intrusion Detection in 5G Networks and beyond
Decision Support Systems Laboratory, School of Electrical and Computer Engineering, National Technical University of Athens（决策支持系统实验室，电气与计算机工程学院，国家技术大学雅典）
本文提出结合CNN与稀疏门控MoE的5G及未来网络入侵检测方法，在真实5G-NIDD数据集上加权F1分数达99.95%。
2025-05-15 cs.LG
A Lightweight Multi-Attack CAN Intrusion Detection System on Hybrid FPGAs
Trinity College Dublin（都柏林圣三一大学）
本文提出在 Zynq Ultrascale+ FPGA 上部署量化多攻击 CAN 入侵检测模型，以 2.0 W 功耗实现 99% 以上准确率并降低 25% 延迟。
2024-01-19 cs.CR cs.LG cs.SY
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
An effect analysis of the balancing techniques on the counterfactual explanations of student success prediction models
Humboldt University of Berlin（柏林洪堡大学）；Eskisehir Technical University（埃斯基谢希尔技术大学）
本文通过开放大学学习分析数据集案例研究，分析了多种反事实生成方法在平衡处理后的有效性，为学生成功预测模型选择合适方法提供依据。
2024-08-01 cs.LG stat.ML
Exploring Highly Quantised Neural Networks for Intrusion Detection in Automotive CAN
Trinity College Dublin（都柏林圣三一大学）
本文提出2位自定义量化MLP（CQMLP）用于汽车CAN多攻击入侵检测，并通过FINN在XCZU7EV上实现低延迟、低能耗的数据流硬件部署。
2024-01-19 cs.AR cs.CR cs.LG
Federated Multi Agent Deep Learning and Neural Networks for Advanced Distributed Sensing in Wireless Networks
Faculty of Information Technology and Electrical Engineering, University of Oulu（信息科技与电气工程学院，奥卢大学）
本文综述了多智能体深度学习在分布式传感和无线通信中的应用，涵盖学习框架、神经网络架构、高级技术及应用领域，分析了算法、训练拓扑及系统级权衡，并指出未来6G中的开放问题和研究方向。
2026-02-24 cs.LG
Evasion Attacks on Cost-Utility-Based Adversarial Training for Online AutoML in IoT Networks
Ontario Tech University（安大略理工大学）；Alex Ekwueme Federal University（亚历克·埃克韦梅联邦大学）
本研究评估物联网网络中在线AutoML下黑盒规避攻击对基于成本效用的对抗训练的影响，发现LB和SRP的对抗训练版本在最高成本预算下达到最佳对抗准确率0.985，最大准确率下降仅0.8%。
2026-09-29 cs.CR cs.LG
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
SmartSecChain-SDN: A Blockchain-Integrated Intelligent Framework for Secure and Efficient Software-Defined Networks
CMR University（CMR大学）；JAIN (Deemed-to-be University)（JAIN（准大学））
针对SDN转型中的安全与流量控制需求，本研究提出SmartSecChain-SDN框架，集成机器学习入侵检测、区块链日志存储和应用感知优先级机制，通过多种算法实现高效检测，提升SDN安全性与管理效率。
2025-11-07 cs.AI cs.CR cs.LG
Generative Adversarial Evasion and Out-of-Distribution Detection for UAV Cyber-Attacks
Faculty of Engineering and Applied Sciences, Cranfield University（工程与应用科学学院，克兰菲尔德大学）
本文提出基于cGAN的框架，用于生成隐蔽的对抗攻击以逃避IDS，并利用CVAE实现对分布外攻击的高效检测。
2026-02-04 cs.AI cs.LG
