Intrusion Detection: Machine Learning Baseline Calculations for Image Classification
PeopleTec, Inc.（PeopleTec公司）
网络安全可以通过应用机器学习来增强，方法是将网络攻击数据重新转换为图像格式，然后应用监督计算机视觉和其他机器学习技术来检测恶意样本。探索性数据分析显示，本研究中使用的十类恶意软件之间的相关性很小，也没有什么区别。一个一般的模型比较表明，最有前途的候选人考虑轻梯度提升机，随机森林分类器，额外的树分类器。卷积网络无法提供其出色的分类能力，被简单、完全连接的架构所超越。大多数测试未能突破80%的分类准确性，并且F1得分较低，表明更复杂的方法（例如，自举、随机采样和特征选择）以最大化性能。
2021-11-03 cs.LG
An LLM-Assisted AutoML Framework for Intrusion Detection in IoT Networks
Ontario Tech University（安大略理工大学）；Western University（韦仕敦大学）
本文提出一种LLM辅助的AutoML框架，通过LLM生成有界策略，实现物联网入侵检测的自动数据平衡、特征工程与算法选择，在低预算下提升F1分数并显著减少优化时间。
2026-09-22 cs.CR cs.LG
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
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 Feature Selection against Evasion Attacks
South China University of Technology（华南理工大学）；University of Cagliari（卡利亚里大学）
模式识别和机器学习技术已越来越多地用于对抗性设置，如垃圾邮件、入侵和恶意软件检测，尽管它们针对精心设计的攻击的安全性尚未得到彻底评估，这些攻击旨在通过在测试时操纵数据来逃避检测。虽然以前的工作主要集中在设计对手感知的分类算法来对抗逃避尝试，但只有少数作者考虑了使用减少的特征集对分类器安全性的影响。一个有趣的，初步的结果是，分类安全规避可能会恶化的应用程序的特征选择。在本文中，我们提供了一个更详细的调查，这方面的特征选择对规避攻击的安全属性，脱落一些光。受以往工作的启发，对手意识的分类器，我们提出了一种新的对手意识的特征选择模型，可以提高分类器的安全性规避攻击，通过将具体的假设对手的数据操作策略。我们专注于一个高效的，基于包装的实现我们的方法，并通过实验验证其合理性不同的应用程序的例子，包括垃圾邮件和恶意软件检测。
2020-05-25 cs.CR cs.LG stat.ML
Feature Selection via Binary Simultaneous Perturbation Stochastic Approximation
Istanbul Sehir University（伊斯坦布尔城市大学）
特征选择（FS）已成为处理当今高度复杂的模式识别问题的大量特征的一个不可或缺的任务。在这项研究中，我们提出了一个新的包装方法FS的基础上二进制同时扰动随机逼近（BSPSA）。这种伪梯度下降随机算法从初始特征向量开始，并通过连续迭代向最佳特征向量移动。在每次迭代中，当前特征向量的各个分量同时受到来自合格概率分布的随机偏移的扰动。我们目前的计算实验数据集的功能数量从几十到数千使用三个广泛使用的分类器作为包装：最近邻，决策树和线性支持向量机。我们比较我们的方法对全套功能，以及二进制遗传算法和顺序FS方法使用交叉验证的分类错误率和AUC作为性能标准。我们的研究结果表明，BSPSA选择的功能相比，一般的替代方法和BSPSA可以产生优越的功能集的数据集与成千上万的功能，通过检查一个极小的部分的解决方案空间。我们不知道有任何其他包装FS方法在计算上可行，并且对于如此大的数据集具有良好的收敛性。
2016-03-05 cs.LG stat.ML
A Hybrid Feature Selection Method to Improve Performance of a Group of Classification Algorithms
Manchester University（曼彻斯特大学）
本文提出了一种混合特征选择方法，该方法利用了包装子集评估的优点，以较低的代价提高了一组分类器的性能。该方法采用样本域滤波和重采样相结合的方法来细化样本域，并采用两种特征子集评价方法来选择可靠的特征。该方法分两个阶段利用特征空间和样本域。第一阶段对样本域进行滤波和重采样，第二阶段采用信息增益、包装子集评估和遗传搜索相结合的方法来寻找最优特征空间。在UCI机器学习数据库中不同类型的数据集上进行实验，结果表明：5种分类器（Naive Bayes、Logistic、Multilayer Perceptron、Best First决策树和JRIP）的平均性能同时提高，分类错误显著降低。实验结果表明，该方法在性能上优于其他特征选择方法，且具有较低的代价。
2014-03-08 cs.LG
ControlBurn: Feature Selection by Sparse Forests
Cornell University（康奈尔大学）
树集合在相关特征组之间均匀地分配特征重要性。相关组的平均特征排序被抑制，这降低了可解释性并使特征选择复杂化。在本文中，我们提出了ControlBurn，一个特征选择算法，使用加权LASSO为基础的特征选择方法修剪不必要的功能，从树系综，就像低强度火灾减少过度生长的植被。像线性LASSO一样，ControlBurn将相关特征组的所有特征重要性分配给单个特征。此外，与基于迭代包装器的特征选择方法不同，该算法高效且仅需要一次训练迭代即可运行。我们表明，ControlBurn的性能大大优于特征选择方法，在具有相关特征的数据集上具有可比的计算成本。
2021-07-01 cs.LG stat.ME
A concise method for feature selection via normalized frequencies
Xihua University（西华大学）
特征选择是建立机器学习模型的重要组成部分。通过消除数据中的冗余或误导性特征，机器学习模型可以实现更好的性能，同时减少对计算资源的需求。元启发式算法主要用于实现特征选择，如群体智能算法和进化算法。然而，它们具有相对复杂和缓慢的缺点。本文提出了一种通用特征选择的简明方法。所提出的方法使用过滤器方法和包装器方法的融合，而不是它们的组合。该方法采用one-hoting编码对数据集进行预处理，并采用随机森林作为分类器。该方法使用归一化频率为每个特征分配一个值，该值将用于找到最佳特征子集。此外，我们提出了一种新的方法来利用输出的互信息，这使得一个更好的起点的实验。利用入侵检测领域的两个真实数据集对该方法进行了测试。实验结果表明，该方法在准确率、精确率、召回率、F-score和AUC等方面均优于现有的相关研究成果。
2021-06-10 cs.LG cs.NE
Phases vs. Levels using Decision Trees for Intrusion Detection Systems
计算机和连接它们的网络的安全性正变得越来越重要。入侵检测系统是计算机网络的安全防御工具之一。比较了两种不同的利用决策树技术表示入侵检测系统的模型方法。这些方法是阶段模型法和层次模型法。每个模型都是通过使用两种技术来实现的，新的攻击和数据分区技术。实验结果表明，在新攻击和数据划分技术中，阶段方法比水平方法具有更高的分类率。
2012-08-29 cs.CR
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
Combinatorial Optimization based Feature Selection Method: A study on Network Intrusion Detection
软件定义网络（SDN）、物联网（IoT）、微服务架构、云计算和网络功能虚拟化（NFV）等计算机网络和通信技术的进步为安全专家对抗现代网络攻击开辟了新的战线和挑战。依赖于边界防御和基于签名的网络安全解决方案，如入侵检测和防御系统（IDS/IPS），未能提供足够的安全级别来抵御新的攻击媒介，如高级持续威胁，零日，勒索软件，僵尸网络和其他形式的有针对性的攻击。机器学习和认知计算的最新发展已经显示出检测未知和新的入侵事件的巨大潜力，而传统的基于误用和异常的入侵检测系统通常会失败。在这项研究中，我们在UNSW-NB 15数据集上应用了最先进的机器学习算法，以检测新的攻击。我们还提出了一种新的包装器为基础的特征选择技术TS-RF使用元启发式禁忌搜索（TS）算法和随机森林（RF）集成分类器。在UNSW-NB 15数据集上应用所提出的特征选择技术（即TS-RF）获得的结果表明，该方法在提高整体入侵检测精度的同时，由于去除了60%以上的特征，降低了计算复杂度。
2021-01-19 cs.CR cs.NI
Towards an Effective Intrusion Response Engine Combined with Intrusion Detection in Ad Hoc Networks
在本文中，我们提出了一个有效的入侵响应引擎结合入侵检测在ad hoc网络。入侵响应引擎由安全通信模块、本地响应模块和全局响应模块组成。它的功能是基于一个创新的基于树的密钥协商协议，而入侵检测引擎是基于一类神经网络称为eSOM。建议的入侵响应模型和基于树的协议，它是基于，分析有关密钥保密性，而入侵检测引擎进行评估的MANET在不同的交通条件和移动模式。实验结果表明，该算法对丢包攻击具有较高的检测率.
2008-07-13 cs.CR cs.NI
Evaluation of Machine Learning Classifiers for Zero-Day Intrusion Detection -- An Analysis on CIC-AWS-2018 dataset
检测零日入侵一直是网络安全的目标，特别是入侵检测。机器学习被认为是解决这个问题的有前途的方法，已经提出了许多模型，但实际的解决方案仍然没有出现，主要是由于过时的开放数据集所造成的限制。在本文中，我们对CICFlowMeter生成的基于流的统计数据进行了深入的检查，并使用了六种最流行的机器学习分类模型来检测零日攻击。训练数据集CIC-AWS-2018数据集包含14种类型的入侵，而测试数据集包含8种不同类型的攻击。在CIC-AWS-2018数据集上评估和交叉验证了六个分类模型在假阳性率，真阳性率和时间开销方面的准确性。测试数据集，包括八个新的（或零日）的真实生活中的攻击和良性流量收集在真实的研究生产网络被用来测试所选择的决策树分类器的性能。结果表明，该算法的精度高达100%，时间开销合理。我们认为，从CICFlowMeter收集的统计数据，简单的机器学习模型，如决策树分类可以负责检测零日攻击。
2021-01-28 cs.CR cs.LG
XAI and Statistical Analysis for Reliable Intrusion Detection in the UAVIDS-2025 Dataset: From Tree to Hybrid and Tabular DNN Ensembles
University of Piraeus（比雷埃克斯大学）；Dept. of Informatics（信息学院）
本文利用XAI和统计分析，在UAVIDS-2025数据集上通过树集成、深度神经网络、混合堆叠模型和最新集成神经网络检测入侵，结合SHAP分析和分布分析，揭示攻击特征和误分类原因。
2026-07-13 cs.CR cs.LG stat.CO
Improving Performance of a Group of Classification Algorithms Using Resampling and Feature Selection
Islamic Azad University, Tehran North Branch（伊斯兰阿扎德大学德黑兰北部分校）；Manchester University（曼彻斯特大学）
近年来，从庞大的数据集中找到有意义的模式变得越来越具有挑战性。数据挖掘者试图通过应用特征选择方法来采用创新的方法来面对这个问题。在本文中，我们提出了一种新的混合方法，在该方法中，我们使用的组合，过滤的样本域和包装器子集评估方法与遗传搜索，以减少维度的肺癌数据集，我们收到的UCI仓库的机器学习数据库。最后，我们应用一些著名的分类算法（朴素贝叶斯，逻辑斯蒂，多层感知器，最佳第一决策树和JRIP）得到的数据集，并比较我们的特征选择方法应用于该数据集之前和之后的结果和预测率。实验结果表明，五种分类算法的平均性能都有了很大的提高，分类误差也有了很大的降低。实验结果表明，该方法在性能上优于其他特征选择方法，且具有较低的代价。
2014-03-08 cs.LG
Hybrid Model For Intrusion Detection Systems
University of Manitoba（曼尼托巴大学）
随着越来越多的新攻击不断增长的网络流量，它是越来越具有挑战性的立即警告任何恶意活动，以避免敏感数据和金钱的损失。这使得入侵检测成为网络安全的主要关注领域之一。基于异常的网络入侵检测技术是最常用的技术之一。根据用于测试这些技术的数据集的不同，准确性也会有所不同。大多数时候，这个数据集并不代表真实的网络流量。考虑到这一点，该项目涉及分析入侵检测系统中使用的不同机器学习算法，并在两个类似于当前现实世界网络流量的数据集（CICIDS 2017）和KDD 99的改进（NSL-KDD）上进行测试。在分析了不同入侵检测系统在两个数据集上的表现后，本项目旨在开发一种新的混合入侵检测系统模型。这种新的混合方法结合了决策树和随机森林算法，使用堆叠方案，实现了NSL-KDD数据集的准确率为85.2%，精确度为86.2%，CICIDS 2017数据集的准确率为98%，精确度为98%。
2020-03-19 cs.CR cs.LG
Consistent and Compatible Modelling of Cyber Intrusions and Incident Response Demonstrated in the Context of Malware Attacks on Critical Infrastructure
本文提出将关键基础设施的入侵模型与应急响应剧本统一建模，通过安全建模框架实现攻击树到剧本格式的转换，增强风险评估与响应的集成，并提供了九个示例模型。
2025-05-22 cs.CR
Classification of Cervical Cancer Dataset
Binghamton University（宾汉姆顿大学）
宫颈癌是世界上最常见的妇科恶性肿瘤。本文介绍了不同的分类技术，并显示了特征选择方法的优势，以最好的预测宫颈癌的疾病。有32个属性，858个样本。此外，该数据遭受缺失值和不平衡数据。因此，使用了过采样、欠采样和嵌入式过采样和欠采样。此外，需要降维技术来提高分类器的准确性。因此，特征选择方法被分为两个不同的类别，过滤器和包装器进行了研究。结果表明，年龄，首次性交，怀孕次数，吸烟，激素避孕药和性病：生殖器疱疹是主要的预测特征，准确率为97.5%。决策树分类器在处理分类分配方面具有优越的性能。
2018-12-11 cs.CY cs.LG q-bio.QM
Attribute Learning for Network Intrusion Detection
University of Coimbra（科英布拉大学）
网络入侵检测是大数据分析最明显的用途之一。这种应用程序的主要问题之一是新攻击的不断增加。传统的机器学习方法很难解决这种情况，其特征在于没有足够的标记示例可用于新的攻击类别。关于零样本学习（Zero-Shot learning，简称ZRL）方法的新发现使其成为解决这个问题的一个有趣的方法，因为它能够对看不见的类的实例进行分类。语义学习本质上有两个阶段：属性学习和推理阶段。在本文中，我们提出了一个新的算法的属性学习阶段的CNOL。其思想是基于决策树（DT）学习属性的新值。我们的研究结果表明，从DT提取的规则的基础上，可以找到一个更好的分布的属性value. We还提出了一个实验设置的评估的网络入侵检测（NID）的CNOL。
2016-07-28 cs.CR cs.LG
Attribute Weighting with Adaptive NBTree for Reducing False Positives in Intrusion Detection
在本文中，我们介绍了新的学习算法，以减少误报入侵检测。该方法基于决策树和自适应朴素贝叶斯树的属性加权，不仅可以将误报率降低到可接受的水平，而且可以提高对不同类型网络入侵的检测率。随着网络服务的快速增长，入侵检测技术已经成为网络安全的重要手段。近年来，数据采掘算法被应用于基于网络的流量数据和基于主机的程序行为，以检测入侵或误用模式，但现有的入侵检测算法存在检测率不均衡、误报率高、属性冗余等问题，导致检测模型复杂、检测精度下降。本研究的目的是确定重要的输入属性，建立一个入侵检测系统（IDS），是计算效率和有效的。使用KDD99基准网络入侵检测数据集进行的实验结果表明，该方法可以显着减少误报的数量和百分比，并扩大了不同类型的网络入侵的平衡检测率。
2010-05-06 cs.CR
ExpIDS: A Drift-adaptable Network Intrusion Detection System With Improved Explainability
针对网络入侵检测系统可解释性差的问题，提出漂移自适应的深度学习模型ExpIDS，通过高保真决策树解释提升可解释性，并在实验中验证其检测性能与最先进系统相当。
2025-09-25 cs.CR
A comparative study on feature selection for a risk prediction model for colorectal cancer
Catalan Institute of Oncology-IDIBELL（加泰罗尼亚肿瘤研究所-IDIBELL）；University of Barcelona（巴塞罗那大学）；Public Health Division, Department of Health of Madrid（马德里卫生部公共卫生司）
本研究比较多种特征选择算法对结直肠癌风险预测模型性能与稳定性的影响，发现SVM包装器与皮尔逊方法最优，并提出了可视化稳定性评估方法。
2024-02-07 cs.AI 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
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
Adaptive Layered Approach using Machine Learning Techniques with Gain Ratio for Intrusion Detection Systems
入侵检测系统（IDS）已成为计算机和网络系统的一个重要问题。入侵检测系统的性能优化是一个重要的开放性问题，越来越受到研究界的关注。为了提高入侵检测的效率和分类率，本文设计并实现了一种多层入侵检测模型，有效地应用机器学习技术（C5决策树、多层感知器神经网络和朴素贝叶斯），利用增益比为每一层选择最佳特征，从而使用更小的存储空间，获得更高的入侵检测性能。实验结果表明，基于C5决策树的多层模型，采用基于增益比的特征选择，分类精度更高，虚警率比MLP和朴素贝叶斯更低。使用增益比显著提高了三种机器学习技术（C5、MLP和朴素贝叶斯）的U2R和R2L的准确性。MLP在使用Dos和Probe层的全部41个特征时具有较高的分类率。
2012-10-29 cs.CR
Novel GPU Boruta algorithms for feature selection from high-dimensional data
Department of Chemical Engineering, Tsinghua University（清华大学化学工程系）
本文提出两种GPU加速的Boruta算法，通过排列重要性和杂质减少重要性提升计算效率，实验表明其在保持特征选择准确性的同时显著提高了处理大规模数据集的效率。
2026-05-11 cs.AI cs.LG
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
A Grassmannian Approach to Zero-Shot Learning for Network Intrusion Detection
Institute of Systems and Robotics (ISR)（系统与机器人研究所）；University of Coimbra（科英布拉大学）；CISUC, Department of Informatics Engineering, University of Coimbra（科英布拉大学信息工程系CISUC）；College of Computer Science and Technology, Henan Polytechnic University（河南理工大学计算机科学与技术学院）；Department of Mathematics（数学系）
网络入侵检测中的一个主要问题是新攻击的不断增加，使得没有足够的标记样本来识别新的攻击类型。传统的机器学习方法很难解决这样的问题。这可以通过零样本学习来克服，这是计算机视觉领域的一种新方法，可以分为两个阶段：属性学习和推理阶段。提出了一种新的网络入侵检测推理阶段算法。为了实现这一目标，我们首先提出了一个实验装置，用于评估网络入侵检测相关任务中的零样本学习。其次，在AL阶段应用基于决策树的算法提取用于生成属性的规则。最后，使用Zero-Shot类的表示作为格拉斯曼流形中的点，该流形中的点之间的最短距离的显式公式可以用于计算表示新攻击的Zero-Shot类与对应于攻击类别的已知类之间的测地线距离。在KDD Cup 99和NSL-KDD数据集上的实验结果表明，我们的方法与零样本学习成功地解决了网络入侵检测问题。
2017-09-23 cs.CR cs.LG
Walling up Backdoors in Intrusion Detection Systems
Technische Universität Wien（维也纳工业大学）
中毒攻击和后门最近重新出现在深度学习（DL）应用中。最近已经为卷积神经网络（CNN）提出了几种成功的防御机制，例如在自动驾驶的背景下。我们表明，可视化方法可以帮助识别独立于所使用的分类器的后门。令人惊讶的是，我们发现，常见的防御机制完全不能删除后门在DL的入侵检测系统（IDS）。最后，我们设计了基于修剪的方法来删除后门的决策树（DT）和随机森林（RF），并证明了它们的有效性，为两个不同的网络安全数据集。
2020-04-05 cs.CR cs.LG cs.NI
Comparing Model-agnostic Feature Selection Methods through Relative Efficiency
Department of Statistics, University of Wisconsin - Madison（统计学系，威斯康星大学麦迪逊分校）
研究在模型无关设置下的特征选择和重要性估计问题，基于相对效率开发通用比较框架，对比广义协方差测度（GCM）和留一协变量法（LOCO）估计等方法，通过理论分析、模拟及实际数据示例得出GCM相关方法在合适条件下更优的结论。
2026-07-23 cs.LG stat.ME stat.ML
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
Soft Computing Models for Network Intrusion Detection Systems
计算机和连接它们的网络的安全性正变得越来越重要。计算机安全被定义为保护计算系统免受对机密性、完整性和可用性的威胁。有两种类型的入侵者：外部入侵者，他们是他们攻击的机器的未经授权的用户，以及内部入侵者，他们有权限访问系统，但有一些限制。本章介绍了一种软计算方法来检测网络中的入侵。在软计算的几个范例中，我们研究了基于模糊规则的分类器，决策树，支持向量机，线性遗传编程和集成方法来建模快速，高效的入侵检测系统。实验结果清楚地表明，软计算方法可以发挥重要作用的入侵检测。
2004-05-13 cs.CR
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
Extending Network Intrusion Detection with Enhanced Particle Swarm Optimization Techniques
本研究结合增强粒子群优化（EPSO）改进网络入侵检测，通过多数据集对比多类模型，发现经EPSO微调的决策树性能最优，提出了高精度高可靠的NIDS框架，为网络安全入侵检测提供新方案。
2024-08-14 cs.CR
Revisiting Network Traffic Analysis: Compatible network flows for ML models
GECAD, ISEP, Polytechnic of Porto（GECAD、ISEP、波尔图理工大学）
针对ML模型在网络攻击检测中因流量特征差异导致泛化性和稳健性不足的问题，本文通过HERA工具分析三大IoT数据集PCAP文件生成兼容流特征，实验表明其能提升集成树模型性能，为数据集兼容及模型评估提供新方法。
2025-11-11 cs.CR cs.LG cs.NI
A Comparative Analysis of Ensemble-Based Machine Learning Approaches with Explainable AI for Multi-Class Intrusion Detection in Drone Networks
State University of Bangladesh（孟加拉国州立大学）；Skill Morph Research Lab., Skill Morph（Skill Morph研究实验室）
本文提出基于集成机器学习和可解释AI的无人机网络入侵检测方法，通过比较随机森林等模型，实现高准确率和可解释性，适用于实时安全关键应用。
2025-09-23 cs.CR cs.LG
BRFID: Toward Byzantine-Robust Federated Intrusion Detection
Meharry Medical College（梅哈里医学院）
针对联邦入侵检测中单拜占庭客户端的标签翻转投毒攻击，实验表明该攻击会显著降低攻击者自身检测准确率，且无防御时全局集成仍稳定，其异常信号可用于识别拜占庭客户端。
2026-09-25 cs.CR cs.LG
Empowering IoT Security: On-Device Intrusion Detection in Resource Constrained Devices
Cardiff University（卡迪夫大学）；Toshiba Bristol Research and Innovation Laboratory（东芝布里斯托研究与创新中心）
本文提出轻量级模型，利用机器学习算法在资源受限设备上实现高精度入侵检测，采用决策树和神经网络分别达到99%和96%的检测准确率，提升物联网网络的实时监控与防御能力。
2026-05-13 cs.CR
xIDS-EnsembleGuard: An Explainable Ensemble Learning-based Intrusion Detection System
本文提出了一种名为EnsembleGuard的可解释集成入侵检测系统，结合基于树和深度学习模型通过模型蒸馏构建元模型，在UNSW-NB15等数据集上表现优于现有方法。
2025-03-01 cs.CR
Improving IoT Intrusion Detection Through SMOTE-Based Oversampling and Extended Multi-Model Evaluation on Side-Channel Power Data
School of Electrical Engineering and Computer Science (SEECS), NUST（电气工程与计算机科学学院（SEECS），努斯兰大学）
针对物联网侧信道数据集中的严重类别不平衡问题，采用SMOTE过采样平衡数据，并评估八种机器学习模型，其中随机森林和极端随机树在F1分数上超越基线方法，同时揭示了宏观F1指标的重要性。
2026-05-29 cs.AI cs.CR cs.LG
Application of deep learning to enhance the accuracy of intrusion detection in modern computer networks
本文研究了在现代计算机网络中应用深度学习来提高入侵检测的准确性。计算机网络中攻击的识别根据学习阶段使用的信息分为入侵检测和异常检测两类。入侵检测使用常规流量和攻击流量。异常检测方法试图对系统的正常行为进行建模，任何违反此模型的事件都被视为可疑行为。例如，如果Web服务器（通常是被动的）试图将有许多地址可能感染蠕虫。异常诊断方法有统计模型、安全系统方法、检查协议、检查文件、创建白名单、神经网络、遗传算法、向量机、决策树。我们的研究结果表明，我们的方法提供了高水平的准确性，精确度和召回率，同时减少了训练时间。在我们未来的工作中，探索改进的第一个途径将是评估和扩展我们模型处理零日攻击的能力。
2020-12-13 cs.CR
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
Evasion Adversarial Attacks Remain Impractical Against ML-based Network Intrusion Detection Systems, Especially Dynamic Ones
Carleton University（卡尔顿大学）
本文研究了对抗攻击对基于机器学习的网络入侵检测系统（NIDS）的实用性，指出动态系统中的攻击有效性较低，并通过实验表明持续重新训练可降低攻击效果。
2026-03-29 cs.CR cs.LG cs.NI
Optimizing Intrusion Detection System Performance Through Synergistic Hyperparameter Tuning and Advanced Data Processing
针对传统入侵检测难以识别复杂网络异常的问题，提出融合 K-means+SMOTE、PCA/FCBF 降维及 Extra Trees、BO-TPE 超参数优化的深度学习方案，VGG19 在两个 IDS 数据集上准确率均超过 99.2%。
2024-08-03 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
Explainable AI for Comparative Analysis of Intrusion Detection Models
Embry-Riddle Aeronautical University（安柏瑞德航空大学）；University of Tennessee at Martin（田纳西大学马丁分校）；Bowling Green State University（鲍灵格林州立大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）
本研究利用遮挡敏感性方法在UNSW-NB15数据集上比较多种机器学习模型的入侵检测性能，发现多数分类器仅依赖不到三个关键特征即可达到90%准确率，且随机森林综合表现最佳，表明特征工程比复杂模型更重要。
2024-07-03 cs.AI cs.CR cs.LG
MFL_COVID19: Quantifying Country-based Factors affecting Case Fatality Rate in Early Phase of COVID-19 Epidemic via Regularised Multi-task Feature Learning
The University of Sheffield（谢菲尔德大学）；Oxford University（牛津大学）；Yunnan University（云南大学）
近期爆发的COVID-19疫情导致全球迅速蔓延。许多国家已及时实施强化控制措施，以尽量减少感染，但由于卫生资源的迫切需求，导致高病死率（CFR）。其他基于国家的因素，如社会文化问题、人口老龄化等，也影响了采取干预措施改善早期道德的实际效果。为了更好地了解不同国家的这些因素与COVID-19 CFR的关系，为潜在的第二波COVID-19感染做好准备至关重要。在本文中，我们提出了一种新的基于正则化多任务学习的因子分析方法，用于量化COVID-19流行早期影响CFR的国家因素。我们将CFR进展的预测制定为具有观察到的CFR和其他国家因素的ML回归问题。在这个公式中，所有与CFR相关的因素被分为6个部门，27个指标。我们提出了一种混合特征选择方法，结合过滤器，包装器和基于树的模型来校准初始因素的初步功能的相互作用。然后，我们采用了两个典型的单任务模型（岭和套索回归）和一个国家的最先进的MTFL方法（融合稀疏组套索）在我们的配方。融合稀疏组Lasso（FSGL）方法允许为COVID-19疫情的多个时间点同时选择一组常见的基于国家的因素，并且还能够在整个早期阶段期间纳入每个因素的时间平滑度。最后，我们提出了一种新的时间投票特征选择方案，以平衡我们的MTFL模型中的多个因素的权重不稳定性。
2020-09-06 cs.CV cs.LG
Boundary-Seeking GAN-Augmented TabTransformer for Adversarially Robust Intrusion Detection
Department of Computer Science, Universitas Ary Ginanjar（阿里甘jar大学计算机科学系）
研究针对机器学习入侵检测系统的问题，提出用BGAN增强的表格变换器框架，通过生成合成样本缓解不平衡并评估鲁棒性，实验表明该框架提升了宏F1分数、增强了鲁棒性且保持低误触发率，为对抗网络环境提供有效入侵检测方案。
2026-07-21 cs.AI cs.CR cs.LG
A Hybrid Approach for an Interpretable and Explainable Intrusion Detection System
Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD), Porto School of Engineering (ISEP)（波尔图工程学院（ISEP）智能工程与先进创新开发计算研究组（GECAD））
网络安全问题已经存在了很长一段时间。近年来，由于技术的重大进步，网络攻击的规模和复杂性不断增加。如今，不可避免地需要保护对业务连续性至关重要的系统和数据。因此，许多入侵检测系统已被创建，试图减轻这些威胁，并有助于及时检测。本文提出了一种可解释和可解释的混合入侵检测系统，它利用人工智能方法来实现更好和更持久的安全性。该系统结合了专家的书面规则和动态知识不断产生的决策树算法作为新的证据碎片出现在网络活动。
2021-11-19 cs.AI cs.CR
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
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
A Critical Assessment of Interpretable and Explainable Machine Learning for Intrusion Detection
Pacific Northwest National Laboratory（西北太平洋国家实验室）
本文系统评估了入侵检测中可解释机器学习研究存在的模型不透明、数据不平衡、特征相关性和解释不一致等问题，并提出使用决策树、马修斯相关系数及交叉解释等实用方案。
2024-07-04 cs.CR cs.LG
AI-Powered Hybrid Intrusion Detection Framework for Cloud Security Using Novel Metaheuristic Optimization
Middle Technical University（中东技术大学）；University of Tabriz（大不里士大学）
本文提出基于新型元启发式优化的混合入侵检测框架，通过特征选择和机器学习模型提升云安全性能。
2026-01-03 cs.AI cs.CR
