Towards Securing IIoT: An Innovative Privacy-Preserving Anomaly Detector Based on Federated Learning
University of Oulu(奥卢大学);Ruhr University Bochum(波鸿鲁尔大学)
本文提出基于联邦学习的隐私保护异常检测器,通过本地数据处理和动态代理选择方案,提升IIoT环境下的隐私保护与效率。
2026-04-07 cs.CR
Privacy Preserving Anomaly Detection on Homomorphic Encrypted Data from IoT Sensors
Technical University of Cluj-Napoca(克卢日-纳波卡理工大学)
本文提出一种在同态加密数据上高效检测异常值的隐私保护异常检测方法,通过改进TFHE方案中的直方图异常检测技术,克服输入大小和计算深度限制,实现无需解密的异常检测,具有鲁棒性和高效性。
2024-03-14 cs.CR
Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift
Airbus Defence & Space Cybersecurity(空客防务与航天网络安全部门)
人工智能(AI)的最新进展为网络安全的行为分析(UEBA)带来了新的能力,包括基于在信息系统上观察到的事件的不寻常性质来检测敌对行为。(在C\&ESAR 2018和FIC 2019上展示),我们已经将深度神经网络自动编码器与异常检测和基于图形的事件关联相关联,以解决UEBA系统中的主要限制。这降低了误报率和漏报率,提高了警报的可解释性,同时保持了实时性能和可扩展性。然而,我们没有解决行为随时间的自然演变,也称为概念漂移。为了保持有效的检测能力,必须不断训练基于异常的检测系统,这为对手打开了一扇大门,对手可以通过逐步提取行为模型内未被注意的攻击痕迹,直到整个攻击被认为是正常的,来进行所谓的“青蛙沸腾”攻击。在本文中,我们提出了一种解决方案,通过改进检测过程和有效地利用人类专业知识来有效地减轻这种攻击。我们还介绍了对抗性AI进行欺骗攻击的初步工作,这些工作将用于帮助评估和改进防御系统。这些防御性和攻击性人工智能实现了联合、持续和主动学习,这是评估、验证和认证基于人工智能的防御性解决方案所必需的一步。
2020-01-13 cs.AI cs.CR cs.LG
A novel analysis of utility in privacy pipelines, using Kronecker products and quantitative information flow
本研究结合Kronecker积与定量信息流,提出隐私流水线效用的新颖形式化分析方法,解释了隐私降低反而效用下降的反常现象,给出严谨证明并在常见隐私保护设计上验证了结果。
2023-11-07 cs.CR
TeD-SPAD: Temporal Distinctiveness for Self-supervised Privacy-preservation for video Anomaly Detection
University of Central Florida(中佛罗里达大学)
针对现有视频异常检测方法存在的隐私泄露问题,提出自监督隐私保护框架TeD-SPAD,通过时间区分三元组损失增强时间判别特征,在三个主流数据集上实现了隐私保护与检测性能的有效权衡。
2023-08-21 cs.CR cs.CV
Image-Hashing-Based Anomaly Detection for Privacy-Preserving Online Proctoring
The University of Sydney(悉尼大学);University of Technology Sydney(悉尼科技大学)
在线监考已经成为网络教学的必然。基于视频的众包在线监考解决方案正在使用,其中考试学生的视频由第三方监控,导致隐私问题。在本文中,我们提出了一个隐私保护的在线监考系统。所提出的基于图像散列的系统可以检测学生的过度面部和身体运动(即,异常)。即使学生的面部在视频帧中被模糊或掩盖,也可以进行检测。内部数据集的实验表明,所提出的系统的可用性。
2021-07-20 cs.CR cs.CV cs.HC
Meta-Generalization for Multiparty Privacy Learning to Identify Anomaly Multimedia Traffic in Graynet
在分布式服务系统、多代网络和未来的万物互联中,识别网络空间中的异常多媒体流量是一个巨大的挑战。这封信探讨了灰网中多方隐私学习模型的元泛化,以提高异常多媒体流量识别的性能。灰网中的多方隐私学习模型是一个全局共享的模型,它通过多方参数更新交换来进行分区、分布和训练,并保留隐私数据。元泛化是指发现学习模型的内在属性,以减少其泛化误差。在实验中,三个元泛化原则测试如下。通过改变字节级嵌入维数,降低了灰网多方隐私学习模型的泛化误差。之后,通过调整用于提取分组级特征的深度来减少误差。最后,通过调整支持集的大小对流量级数据进行预处理,减小了误差。实验结果表明,该建议优于国家的最先进的学习模型识别异常多媒体流量。
2022-12-14 cs.AI cs.CR cs.LG
Robust Anomaly Detection and Backdoor Attack Detection Via Differential Privacy
University of California, Berkeley(加州大学伯克利分校)
异常点检测和新颖性检测是异常检测的两个重要课题。假设一个数据集的大部分数据都来自某个分布,离群点检测和新颖性检测都是为了检测不符合该分布的数据样本。离群值指的是该数据集中的数据样本,而新奇值指的是新样本。同时,针对机器学习模型的后门中毒攻击是通过向训练数据集中注入中毒样本来实现的,这些中毒样本可以被视为攻击者故意添加的“离群值”。差分隐私已被提出,以避免泄漏任何个人的信息,当聚合分析上执行一个给定的数据集。它通常通过直接向输入数据集或聚合机制的中间结果添加随机噪声来实现。在本文中,我们证明了应用差分隐私可以提高离群检测和新颖性检测的实用性,并扩展到检测后门攻击中的中毒样本。首先从理论上分析了差分隐私如何帮助检测,然后通过大量实验验证了差分隐私在提高异常检测、新奇检测和后门攻击检测方面的有效性。
2019-11-16 cs.AI cs.CR cs.LG
The Tradeoff Between Privacy and Accuracy in Anomaly Detection Using Federated XGBoost
City University of Hong Kong(香港城市大学);University of Miami(迈阿密大学);Sun Yat-sen University(中山大学);Dalian University of Technology(大连理工大学)
近年来,隐私问题引起了人们的广泛关注,特别是随着信息爆炸和众多数据采掘技术的出现,人们开始探索大量数据中的信息。在这种背景下,一种新的分布式学习范式联邦学习成为最近突出的分布式学习中的隐私问题,其中只有学习模型将被传输到服务器从分布式节点不泄露用户自己的数据,从而保护用户的隐私。本文提出了一种水平联邦XGBoost算法来解决联邦异常检测问题,其中异常检测的目的是从极端不平衡的数据集中识别异常,可以被认为是一个特殊的分类问题。我们提出的联邦XGBoost算法结合了数据聚合和稀疏联邦更新过程,以平衡隐私和学习性能之间的权衡。特别是,我们引入了虚拟数据样本聚合一组用户的数据在一个单一的分布式节点在一起。我们在本地节点中基于这些虚拟数据样本计算参数,并在中央服务器中聚合学习模型。在学习模型的升级过程中,我们更多地关注虚拟样本中之前错误分类的数据,从而生成稀疏的学习模型参数。通过仔细控制这些样本组的大小,我们可以在隐私和学习性能之间取得平衡。我们的实验结果表明,我们所提出的方案的有效性,通过与现有的国家的艺术。
2019-10-14 cs.CR cs.LG stat.ML
Detecting Anomalous LAN Activities under Differential Privacy
异常检测已经成为一种流行的技术,用于检测局域网(LAN)中的恶意活动。局域网异常检测的各个方面已经得到了广泛的研究。尽管如此,个人用户或他们在局域网中的关系的隐私问题还没有被彻底探讨在以前的工作。在某些实际情况下,异常检测分析需要由位于LAN之外的外部方执行。因此,为了保护LAN用户的隐私,LAN管理员必须以私有方式向该方发布LAN数据;同时,发布的数据还必须保留能够检测异常的实用性。本文研究了私下释放ARP数据的可能性,这些数据后来可用于识别局域网中的异常。我们提出了四种方法,并表明它们满足不同程度的差分隐私-一个严格的和可证明的概念,量化系统中的隐私损失。我们的实际实验结果证实了我们的方法的实际可行性。在适当的隐私预算下,我们所有的方法都可以保留超过75%的检测已发布数据中异常的实用性。
2022-04-14 cs.CR cs.NI
DPOAD: Differentially Private Outsourcing of Anomaly Detection through Iterative Sensitivity Learning
Data61, CSIRO(澳大利亚联邦科学与工业研究组织数据61研究所);Cyber Security CRC(网络安全合作研究中心);Illinois Institute of Technology(伊利诺伊理工学院);Concordia University(康考迪亚大学);Hong Kong Polytechnic University(香港理工大学);Ericsson Security Research, Ericsson Canada(加拿大爱立信公司爱立信安全研究院);University of Connecticut(康涅狄格大学)
将异常检测外包给第三方可以允许数据所有者克服资源约束(例如,在轻量级IoT设备中),促进协作分析(例如,在分布式或多方场景下),并受益于较低的成本和专业知识(例如,安全管理服务提供商)。尽管有这样的好处,但数据所有者可能不愿意在没有足够的隐私保护的情况下外包异常检测。为此,大多数现有的隐私解决方案将面临新的挑战,即,保护隐私通常需要消除或减少数据录入之间的差异,而异常检测关键地取决于该差异。这种冲突最近通过将差分隐私(DP)保证的焦点从“所有”条目移动到仅“良性”条目而在具有可信分析师(其中不涉及外包)的本地分析设置下得到解决。在本文中,我们观察到,这种方法是不直接适用于外包设置,因为数据所有者不知道哪些条目是“良性”外包之前,因此不能有选择地应用DP的数据录入。因此,我们提出了一种新的迭代解决方案,让数据所有者逐渐将异常条目与良性条目“分离”,以便第三方分析师能够在充分的DP保证下产生准确的异常结果。我们设计并实现了我们的差异化私有异常检测外包(DPOAD)框架,并通过来自不同应用领域的真实数据实验,证明了其优于基线拉普拉斯和PainFree机制的优势。
2022-06-27 cs.CR cs.LG
SwarmSense-DNN: A Trustworthy and Decentralized Neural Framework for Proactive Anomaly Defense in Consumer IoT
Universiti Malaya(马来亚大学);Expedia Group(爱彼迎集团);King Faisal University(费萨尔国王大学);Northeastern University(东北大学);Northern Border University(北部边境大学);Benazir Bhutto Shaheed University Lyari(贝娜齐尔·布托沙希德莱阿里大学)
提出SwarmSense-DNN,一种结合群体智能与深度神经网络的去中心化框架,通过分层联邦学习与图注意力机制实现分布式IoT环境中的协同异常检测,在五个基准数据集上达到95.44%平均检测精度并降低67%通信开销。
2026-06-11 cs.CR cs.NI
DP-FlogTinyLLM: Differentially private federated log anomaly detection using Tiny LLMs
Department of Mathematical Sciences(数学科学系);SQC & OR Unit(SQC及OR单位);University of Texas at El Paso(德克萨斯大学埃尔帕索分校);Indian Statistical Institute(印度统计研究所)
本文提出DP-FLogTinyLLM框架,利用参数高效LLMs实现隐私保护的联邦学习,通过差分隐私和LoRA技术在资源受限环境下实现日志异常检测,实验表明其在精度和F1分数上优于现有联邦基线方法。
2026-04-21 cs.AI cs.CR
Privacy-Preserving Federated Learning over Vertically and Horizontally Partitioned Data for Financial Anomaly Detection
IBM Research(IBM研究院)
针对金融异常检测中数据同时纵向与横向分区且机构间缺乏信任的问题,提出PV4FAD方案,结合全同态加密、安全多方计算、差分隐私与随机化技术,在训练与推理阶段兼顾隐私保护和模型准确性,并生成随机森林集成模型以提升检测性能。
2023-10-30 cs.CR cs.LG
Privacy-Preserving Video Anomaly Detection: A Survey
Department of Computer Science, University of Toronto(多伦多大学计算机科学系);College of Intelligent Robotics and Advanced Manufacturing, Fudan University(复旦大学智能机器人与先进制造学院);DataLab: Data Science and Informatics, University of California, Davis(加州大学戴维斯分校DataLab:数据科学与信息学);Department of Computer Science, The University of Hong Kong(香港大学计算机科学系);School of Data Science and Engineering, East China Normal University(华东师范大学数据科学与工程学院);College of Future Information Technology, Fudan University(复旦大学未来信息科技学院);Division of Natural and Applied Sciences, Duke Kunshan University(杜克昆山大学自然与应用科学学院);Department of Electrical and Computer Engineering, The University of British Columbia(不列颠哥伦比亚大学电气与计算机工程系)
本文首次系统综述了隐私保护视频异常检测(P2VAD)的进展,提供直观分类法并分析各方法优劣,同时公开相关基准与代码,探讨关键挑战及未来机遇。
2025-06-28 cs.CR cs.CV cs.LG
From Noise to Signal: Improving Security Log Anomaly Detection Using LLMs with Endpoint-Specific Logs
Institute of Innovation, Science and Sustainability(创新、科学与可持续发展研究所);Centre for Smart Analytics(智能分析中心);Federation University Australia(澳大利亚联邦大学)
本研究开发基于指令的LLM分类框架,结合端点特定日志,经实验验证Meta Llama 3.1 8B Instruct在安全日志异常检测中性能优于Wazuh、OpenSearch等方法。
2026-08-21 cs.CR cs.LG
SpotCheck: On-Device Anomaly Detection for Android
近年来,从隐私和财务角度来看,PC已被移动设备取代,用于许多安全敏感操作。虽然安全机制部署在各个级别,但这些机制经常受到以前看不见的恶意软件的压力。因此,需要能够进行新颖性检测的附加保护层。在这项工作中,我们提出了SpotCheck,一个异常检测器,旨在运行在Android设备上。它对应用程序执行进行采样,并将可疑应用程序提交给恶意软件沙箱进行更彻底的处理。我们比较内核主成分分析(KPCA)和变分自编码器(VAE)的应用程序执行表示的基础上著名的系统调用跟踪,以及一种新的方法,基于内存转储。结果表明,使用VAE时,SpotCheck达到了与以前实现的网络异常检测相当的有效性水平。有趣的是,这也适用于内存转储方法,从而放弃了对连续应用程序监控的需求。
2021-02-25 cs.CR
Federated Learning with Anomaly Detection via Gradient and Reconstruction Analysis
提出一种结合梯度分析与自编码器重建的联邦学习异常检测框架,在MNIST和CIFAR-10上准确率提升15%,保障医疗和金融等关键领域安全。
2024-03-15 cs.CR
Federated Anomaly Detection and Mitigation for EV Charging Forecasting Under Cyberattacks
ICT Convergence Research Center(信息通信融合研究中心);Kumoh National Institute of Technology(Kumoh国立技术学院);IT-Convergence Engineering(信息融合工程)
本文提出一种联邦学习框架,用于在遭受网络攻击时实现电动汽车充电预测中的异常检测与缓解,通过保护隐私、检测攻击并提升预测准确性。
2025-11-22 cs.CR cs.LG
Enabling Efficient Privacy-Assured Outlier Detection over Encrypted Incremental Datasets
Monash University(莫纳什大学);Data61, CSIRO(联邦科学与工业研究组织数据61研究所)
离群点检测被广泛应用于跟踪网络流量和系统日志等增量数据集上的异常。然而,这些数据集通常涉及敏感信息,并且将数据共享给第三方用于异常检测会引起隐私问题。在本文中,我们提出了一个隐私保护离群检测协议(PPOD)的增量数据集。该协议将异常值检测算法分解为几个阶段,并在每个阶段识别必要的密码操作。它通过高效和可互换的协议实现了几个加密模块,以支持上述加密操作,并将它们组合在整个协议中,以实现对加密数据集的离群值检测。为了支持有效的更新,它集成了滑动窗口模型,以定期驱逐过期的数据,以保持恒定的更新时间。我们建立了一个PPOD的原型,并系统地评估了各种参数设置下的密码模块和整体协议。我们的研究结果表明,PPOD可以处理加密的增量数据集与适度的计算和通信成本。
2019-11-14 cs.CR cs.LG
Collaborative Anomaly Detection Framework for handling Big Data of Cloud Computing
凭借随时随地提供服务和应用程序的无处不在的计算,云计算是最佳选择,因为它为客户提供灵活且按使用付费的服务。然而,由于其动态和分布式架构,安全和隐私是其成功的主要挑战,从而产生了大量数据,应仔细分析这些数据以检测网络漏洞。在本文中,我们提出了一个协同异常检测框架CADF检测网络攻击的云计算环境。我们提供了框架的技术功能和部署,以说明其实施和安装的方法。该框架在UNSW-NB 15数据集上进行评估,以检查其在云计算环境中部署时的可信度。实验结果表明,该框架可以很容易地处理大规模的系统,因为它的实现只需要估计统计措施,从网络观察。此外,该框架的评估性能优于三个国家的最先进的技术方面的误报率和检测率。
2017-11-08 cs.CR
Anomaly Detection in Blockchain Networks: A Comprehensive Survey
在过去的十年中,区块链技术吸引了工业界和学术界的巨大关注,因为它可以与现代信息和通信技术(ICT)的大量日常应用相结合。区块链的点对点(P2P)架构通过提供强大的安全性和面向信任的保证(如不变性,可验证性和去中心化)来增强这些应用程序。尽管区块链技术为这些ICT应用带来了这些令人难以置信的功能,但最近的研究表明,强有力的保证还不够,区块链网络仍然容易出现各种安全性,隐私性和可靠性问题。为了克服这些问题,必须在可采取行动的时限内查明异常行为。在这篇文章中,我们提供了关于区块链技术中异常检测模型集成的深入调查。为此,我们首先讨论异常检测如何帮助确保基于区块链的应用程序的安全性。然后,我们展示了一些基本的评估指标和关键要求,这些指标和要求在开发区块链异常检测模型时可以发挥关键作用。然后,我们从区块链的每一层的角度对各种异常检测模型进行了全面的调查。最后,我们通过强调某些重要的挑战来结束这篇文章,同时讨论它们如何成为该领域新研究人员未来的研究方向。
2022-07-07 cs.CR
Anomaly-Flow: A Multi-domain Federated Generative Adversarial Network for Distributed Denial-of-Service Detection
Aeronautics Institute of Technology (ITA)(航空技术学院);Federal University of Minas Gerais(米纳斯吉拉斯联邦大学)
针对多域环境下现有机器学习DDoS检测方案部署受限的问题,提出结合联邦学习与生成对抗网络的Anomaly-Flow框架,在保护数据隐私的同时实现跨域协同检测,性能优于基线模型,为协同网络防御研究奠定基础。
2025-03-18 cs.CR cs.LG
Decentralized Collaborative Learning Framework with External Privacy Leakage Analysis
IBM(IBM公司)
本文提出去中心化多任务学习的两项进展:将深度变分自编码器纳入协作字典学习框架以增强异常检测,并分析模型外部共享时的隐私泄露,证明其满足Renyi差分隐私并给出内部隐私监控指标。
2024-04-01 cs.CR cs.DC cs.LG
A Hybrid Approach: Utilising Kmeans Clustering and Naive Bayes for IoT Anomaly Detection
物联网设备的激增和多样性意味着它们越来越成为恶意用户的可行目标。这就产生了对可以跨多个设备工作的异常检测算法的需求。本论文提出了一种潜在的替代方案,可以在物联网系统中实现当前的异常检测算法,这些算法可以应用于不同类型的设备。该算法由机器学习的非监督和监督机器区域组成,结合了每个区域的最强方面。该算法涉及初始的k-means聚类的攻击,并将它们分配到集群。接下来,AdaBoosted Naive Bayes监督学习算法使用这些聚类,以便自学哪段数据应该聚类到哪种特定攻击。这通过在最终分类步骤之前添加聚类数据来提高所提出算法的准确性,从而确保更准确的算法。该算法的正确识别百分比分数范围从90%到100%,以及对所提出的算法的准确性,精确度和召回率进行评级。这些高分实现了准确,灵活,可扩展,优化的算法,可能在不同的物联网设备,确保强大的数据完整性和隐私。
2022-05-09 cs.CR
Privacy-Preserving Federated Autoencoder for ECG Anomaly Detection on Edge Devices
Google Research, New York, NY(谷歌研究,纽约,纽约州);University of California, Berkeley(加州大学伯克利分校);University of Cambridge(剑桥大学);University of Toronto(多伦多大学);University of Melbourne(墨尔本大学);University of Sydney(悉尼大学)
提出一种结合联邦学习、差分隐私和INT8量化的端到端系统,在PTB-XL数据集上实现无监督12导联ECG异常检测,满足隐私、实时性和非IID数据要求。
2026-06-11 cs.AI cs.CR cs.LG
Detection of Malicious DNS-over-HTTPS Traffic: An Anomaly Detection Approach using Autoencoders
针对DNS加密导致传统检测失效的问题,本文提出基于自编码器的异常检测方法,仅观察加密DoH流量即可识别恶意流量,包括零日攻击,实验显示中位F-1分数达99%,优于其他异常检测算法。
2023-10-17 cs.CR
Federated Learning-Enhanced Blockchain Framework for Privacy-Preserving Intrusion Detection in Industrial IoT
针对工业物联网传统入侵检测的隐私、延迟与单点故障问题,提出结合联邦学习与区块链的FL-BCID框架,通过边缘协同训练与链上存证实现高准确率、低开销的隐私保护入侵检测。
2025-05-21 cs.CR
On the Robustness of Topics API to a Re-Identification Attack
本文评估 Google Topics API 面对跨站重识别攻击的隐私风险,基于真实流量与人口模型发现其只能缓解而不能阻止追踪,千名用户中重识别率可达15–17%。
2023-06-08 cs.CR cs.CY
Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach
Centre for Cyber Resilience and Trust (CREST), Deakin University(网络弹性与信任中心(CREST),迪肯大学);Department of Computer Science & IT, Latrobe University(计算机科学与信息技术系,拉筹伯大学)
针对传统联邦学习依赖中心化聚合器及更新传输隐私泄露问题,本文提出基于Random Walk与Epidemic gossip协议的P2P去中心化异常检测方案,实验显示其检测准确率更优且训练时间改善35%。
2025-01-09 cs.AI cs.CR cs.DC
Privacy, Security, and Utility Analysis of Differentially Private CPES Data
差分隐私(DP)已被广泛用于保护机密网络物理能量系统(CPES)数据的隐私。然而,在不分析效用、隐私和安全要求的情况下应用DP可能影响数据效用以及帮助攻击者进行完整性攻击(例如,虚假数据注入(FDI))利用差异私有数据。现有的基于异常检测的数据完整性攻击防御策略在基于DP的智能电网中未能最大限度地减少攻击的影响,同时最大限度地提高数据的隐私性和实用性。为了应对这一挑战,在设计过程中应用防御性方法是非常重要的。在本文中,我们制定和开发的防御策略的设计过程中的一部分,调查数据的隐私,安全性和实用程序在DP为基础的智能电网网络。我们提出了一个DP参数之间的可证明关系,使防御者能够设计一个容错系统,抵御FDI攻击。为了实验评估和证明我们提出的设计方法的有效性,我们模拟了基于DP的网格中的FDI攻击。评估表明,攻击的影响可以最小化,如果设计者校准隐私级别根据建议的DP参数的相关性来设计网格网络。此外,我们分析了智能电网网络的DP机制和QoS在对抗环境中的可行性。我们的分析表明,DP机制是可行的,在智能电网领域现有的隐私保护机制。此外,不同的私有网格应用程序的QoS是令人满意的对抗存在。
2021-09-21 cs.CR
Temporal transformer CAN encoder with federated lightweight heads for anomaly detection
ANADELTA P.C.(ANADEL塔公司);Harokopio University of Athens(阿萨索皮奥雅典大学)
该研究提出一种带联邦轻量头的时间Transformer CAN编码器框架,用于车载网络异常检测,结合联邦学习与时间序列建模,在保障隐私和效率的同时实现稳健检测。
2026-10-09 cs.CR cs.LG
Interpretable Anomaly Detection in Encrypted Traffic Using SHAP with Machine Learning Models
本研究提出一个结合多种机器学习分类器与SHAP的模型无关框架,用于加密流量异常检测,在三个基准数据集上验证,实现了高精度检测并增强模型可解释性。
2025-05-22 cs.CR
Multi-Party Private Set Intersection: A Circuit-Based Protocol with Jaccard Similarity for Secure and Efficient Anomaly Detection in Network Traffic
本文将两方SCS协议扩展为多方基于电路的PSI协议,支持Jaccard相似度计算,可在保护隐私的网络流量分析中高效检测异常。
2024-01-23 cs.CR
Dual Defense: Enhancing Privacy and Mitigating Poisoning Attacks in Federated Learning
Beihang University(北京航空航天大学);Beijing Jiaotong University(北京交通大学);University of Pittsburgh(匹兹堡大学);Zhongguancun Laboratory(中关村实验室)
针对联邦学习中隐私泄露与投毒攻击并存且现有方案存在拓扑破坏或可扩展性问题的困境,提出DDFed框架,通过FHE安全聚合与加密更新的两阶段异常检测,在不改变FL拓扑的情况下同时增强隐私保护并抵御投毒攻击。
2025-02-08 cs.AI cs.CR
Architecture of Data Anomaly Detection-Enhanced Decentralized Expert System for Early-Stage Alzheimer's Disease Prediction
Geneva School of Business Administration(日内瓦商学院);University of Cambridge(剑桥大学);University of Cologne(科隆大学);Hasselt University(哈瑟尔特大学)
本文提出一种融合区块链、AI与数据异常检测的去中心化专家系统,通过链下MRI质量检查与链上记录,提升早期阿尔茨海默病预测精度并保护患者隐私。
2023-11-01 cs.AI cs.CR
Sampling High Throughput Data for Anomaly Detection of Data-Base Activity
Ben-Gurion University of the Negev(内盖夫本-古里安大学);IBM Security Division(IBM安全部门);IBM Cyber Security Center of Excellence(IBM网络安全卓越中心)
数据库中的数据泄漏和盗窃对组织来说是一个危险的威胁。数据安全和数据隐私保护系统(DSDP)监控数据访问和使用,以识别应调查的泄漏或可疑活动。由于数据库系统的高速特性,这样的系统只审计发生的大量事务的一部分。异常由安全官(SO)进行调查,以选择适当的响应。在本文中,我们调查的基础上的风险的交易构成的抽样方法的效果,并提出了一种新的方法“组合抽样”捕捉一个更多样化的样本。
2017-08-14 cs.CR cs.LG
Next-generation cyberattack detection with large language models: anomaly analysis across heterogeneous logs
Coventry University(考文垂大学)
本研究提出基于大语言模型的下一代网络攻击检测方法,通过构建异构日志数据集和两阶段训练框架,实现高效准确的异常检测。
2026-02-06 cs.AI cs.CR
A Model-Based Approach to Anomaly Detection Trading Detection Time and False Alarm Rate
现代计算系统的复杂性和普遍性是异常的肥沃土壤,包括安全和隐私漏洞。在本文中,我们提出了一种新的方法,解决了实际的挑战,实现异常检测方法。具体而言,全面定义正常行为并获取各种云环境中的异常数据具有挑战性。为了应对这些挑战,我们专注于基于系统性能特征的异常检测方法。特别是,性能签名具有检测零日攻击的潜力,因为这些方法基于检测性能偏差,并且不需要详细了解攻击历史。所提出的方法利用分析性能模型和实验,并允许以原则性的方式控制误报率。该方法使用TPCx-V工作负载进行评估,该工作负载在一组执行期间使用资源耗尽异常进行分析,这些异常模拟影响系统性能的异常的影响。所提出的方法能够成功地检测到异常,具有较低的误报率(精度90%-98%)。
2020-06-15 cs.CR cs.SE
In-network Attack Detection with Federated Deep Learning in IoT Networks: Real Implementation and Analysis
School of IT Deakin University(IT学院 德坎大学);School of Computer Science and Engineering(计算机科学与工程学院);Vellore Institute of Technology(维洛雷理工学院)
本文提出一种轻量级自编码器基的异常检测框架,用于资源受限边缘设备部署,实现实时检测并减少数据传输。通过联邦学习在分布式设备上协同训练模型,有效识别网络攻击,降低通信开销并保持性能。
2026-03-23 cs.CR cs.LG
ARCADE: Adversarially Regularized Convolutional Autoencoder for Network Anomaly Detection
Technology and Innovation Institute(技术创新研究所)
随着异构IP连接设备数量和流量的增加,安全漏洞的可能性也在增加。未被发现的对这些漏洞的利用可能会带来严重的网络安全和隐私风险。基于异常的\acp{IDS}在网络安全中起着至关重要的作用。在本文中,我们提出了一种实用的基于无监督异常的深度学习检测系统,称为ARCADE(用于无监督网络异常检测的逆正则卷积自动编码器)。通过卷积\ac{AE},ARCADE使用网络流的几个初始数据包的原始字节子集自动构建正常流量的配置文件,以便在潜在的网络异常和入侵对网络造成更大损害之前有效地检测到它们。ARCADE只接受正常交通的训练。提出了一种对抗性训练策略,以正则化和降低\ac{AE}重构非正态分布网络流的能力,从而提高其异常检测能力。所提出的方法比最先进的深度学习方法更有效地进行网络异常检测。即使只检查网络流的两个初始数据包,ARCADE也可以有效地检测恶意软件感染和网络攻击。ARCADE提供的参数比基线少20倍,实现了更快的检测速度和反应时间。
2022-12-14 cs.CR cs.LG cs.NI
Adversarial Analysis of the Differentially-Private Federated Learning in Cyber-Physical Critical Infrastructures
本文针对差分隐私联邦学习中 DP 噪声可被模型投毒利用的问题,提出自适应 α-MPELM 攻击及基于强化学习的 DP 等级选择防御,显著降低异常检测准确率并实现自动最优隐私策略。
2022-12-01 cs.CR cs.DC
Mitigating Sybil Attacks on Differential Privacy based Federated Learning
在联邦学习中,机器学习和深度学习模型在分布式设备上进行全局训练。联邦学习背景下最先进的隐私保护技术是用户级差分隐私。然而,这样的机制容易受到一些特定的模型中毒攻击,如Sybil攻击。恶意攻击者可以创建多个假客户端或在Sybil攻击中串通受损设备,以安装直接的模型更新操作。最近的工作对模型中毒攻击的新的防御是很难检测的Sybil攻击时,利用差分隐私,因为它掩盖了客户端的模型更新与扰动。在这项工作中,我们实现了第一个Sybil攻击差分隐私的联邦学习架构,并显示其对模型收敛的影响。我们随机妥协的一些客户端通过操纵不同的噪声水平所反映的本地隐私预算的差分隐私对这些Sybil客户端的本地模型更新,使全局模型收敛速度下降,甚至导致发散。我们将我们的攻击应用于两个最近的聚合防御机制,称为Krum和Trimmed Mean。我们在MNIST和CIFAR-10数据集上的评估结果表明,我们的攻击有效地减缓了全局模型的收敛速度。然后,我们提出了一种方法,以保持监测的平均损失的所有参与者在每一轮的收敛异常检测和防御我们的Sybil攻击的基础上,从每个客户端报告的预测成本。我们的实证研究表明,我们的防御方法有效地减轻了我们的Sybil攻击模型收敛的影响。
2020-10-20 cs.CR cs.DC
PRI: Privacy Preserving Inspection of Encrypted Network Traffic
流量检测是当今许多安全解决方案的基本组成部分。例如,为了防止机密内部信息的泄漏或泄露,以及阻止恶意流量进入网络,当今大多数企业都运行检查流量的入侵检测和防御系统。然而,国家的最先进的检查系统并没有很好地反映不同的参与自主角色的利益。例如,企业中的员工或将其网络管理外包给专业第三方的公司可能要求其流量保持机密,甚至对系统管理员也是如此。此外,入侵检测系统使用的规则,或者更一般地,在线或离线异常检测引擎的配置,可以由第三方提供,例如,一家安全研究公司,因此可能构成一项重要的商业资产,应予以保密。今天,人们往往认为,不可能对这些额外所需资源进行核算,因为它们与效率和效力相矛盾。我们在本文中探索了一种新的方法,称为隐私保护检查(PRI),它提供了一个解决这个问题的方法,通过保护流量检查的隐私和检查规则和配置的机密性,例如,还支持灵活安装特定于公司的其他数据泄漏防护(DLP)规则。
2016-04-15 cs.CR cs.NI
Anomaly Detection in Emails using Machine Learning and Header Information
Canadian Institute for Cybersecurity(加拿大网络安全研究所);University of New Brunswick(新不伦瑞克大学)
电子邮件中的异常(如网络钓鱼和垃圾邮件)会给个人和组织带来重大的安全风险,如隐私、金钱和品牌声誉的损失。以往的电子邮件异常检测研究依赖于单一类型的异常和对邮件正文和主题内容的分析。这种方法的缺点是它考虑了电子邮件内容的书面语言。为了克服这一缺陷,本研究进行特征提取和电子邮件头数据集的选择,并利用多类和一类异常检测方法。实验分析结果表明,只有电子邮件头信息是足够的,可靠地检测垃圾邮件和钓鱼电子邮件。监督学习算法,如随机森林,SVM,MLP,KNN及其堆叠集成被发现是非常成功的,实现了97%的网络钓鱼和99%的垃圾邮件的高准确性分数。使用One-Class SVM的单类分类分别对垃圾邮件和钓鱼邮件实现了87%和89%的准确率。实际的电子邮件过滤应用程序将受益于只使用标题信息在资源利用率和效率方面。
2022-03-19 cs.AI cs.CR cs.LG
Robust Zero Trust Architecture: Joint Blockchain based Federated learning and Anomaly Detection based Framework
Deakin University(迪肯大学);School of IT(信息技术学院)
本文提出一种面向去中心化物联网的鲁棒零信任架构,结合基于区块链的联邦学习抵御恶意更新,并利用自适应无监督聚类与增量异常检测算法进行信任计算与零日攻击防范。
2024-06-24 cs.CR cs.DC cs.LG
Scalable Hierarchical AI-Blockchain Framework for Real-Time Anomaly Detection in Large-Scale Autonomous Vehicle Networks
organization= Dept. of Computer Science \& Engg., International Institute of Information Technology , city= Bhubaneswar , postcode= 751003 , state= Odisha , country= India;organization= Dept. of Computer Science, Maharaja Sriram Chandra Bhanja Deo University , city= Baripada , postcode= 757003 , state= Odisha , country= India
针对大规模自动驾驶车辆网络实时异常检测的挑战,本文提出三层混合安全架构HAVEN,通过解耦实时本地检测与分布式协同,实现低于10ms的检测延迟、94%准确率及拜占庭容错,提升网络安全性与可扩展性。
2025-11-16 cs.AI cs.CR cs.LG
Explainable Differential Privacy-Hyperdimensional Computing for Balancing Privacy and Transparency in Additive Manufacturing Monitoring
University of Connecticut(康涅狄格大学);University of California Irvine(加州大学欧文分校)
本研究提出可解释的DP-HD框架,结合XAI与向量符号范式,用SNR量化预测差分隐私噪声对增材制造缺陷检测模型精度的影响,实现隐私与性能的最优平衡,在真实AM数据上达94.43%的前沿精度,可推广至多隐私敏感领域。
2025-03-17 cs.CR cs.CV cs.LG