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
Shallow and Deep Networks Intrusion Detection System: A Taxonomy and Survey
University of Strathclyde（斯特拉斯克莱德大学）；University of Abertay Dundee（阿伯泰邓迪大学）
入侵检测已经引起了研究人员和工业界的极大兴趣。经过多年的研究，社区仍然面临着建立可靠和有效的IDS的问题，这些IDS能够处理大量的数据，并在实时的情况下改变模式。在这份手稿中提出的工作分类入侵检测系统（IDS）。在此基础上，对浅层和深层网络入侵检测系统进行了分类和综述。该分类和调查回顾了机器学习技术及其在检测异常方面的性能。讨论了影响机器学习入侵检测系统有效性的特征选择问题，说明了特征选择在机器学习入侵检测系统分类和训练阶段的作用。最后，讨论了误报率和误报率，以帮助研究人员建立可靠和高效的基于机器学习的入侵检测系统模型。
2017-01-09 cs.CR 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
Bayesian Hyperparameter Optimization for Deep Neural Network-Based Network Intrusion Detection
Kennesaw State University（肯尼索州立大学）；Florida International University（佛罗里达国际大学）；United International University（联合国际大学）；University of Calabria（卡拉布里亚大学）；LORIA（洛林计算机科学及其应用实验室）；Tuskegee University（塔斯基吉大学）
传统的网络入侵检测方法在对抗现代、复杂和不可预测的安全攻击时遇到了可行性和可持续性问题。深度神经网络（DNN）已成功应用于入侵检测问题。基于DNN的分类器的最佳使用需要仔细调整超参数。手动调整超参数是繁琐、耗时且计算昂贵的。因此，需要一种自动技术来找到最佳超参数，以便在入侵检测中最好地使用DNN。本文提出了一种新的基于贝叶斯优化的框架，用于自动优化超参数，确保最佳DNN架构。我们评估了NSL-KDD，网络入侵检测的基准数据集上的性能所提出的框架。实验结果表明，该框架的有效性，作为结果DNN架构表现出显着更高的入侵检测性能比随机搜索优化为基础的方法在准确性，精度，召回率和f1分数。
2022-07-07 cs.CR cs.LG
Learning automata based SVM for intrusion detection
Shanghai Jiao Tong University（上海交通大学）
入侵检测是对计算机系统或网络中发生的事件进行监视，并对其进行分析，以发现可能的事件征兆的过程，是网络安全不可缺少的防御措施。它是判断事件是正常还是恶意的分类器。用于入侵检测的信息中含有一些冗余特征，这会增加入侵检测分类器的训练难度，增加预测时间。为了简化分类器的训练过程，提高分类器的效率，有必要去除这些冗余特征。本文提出了一种新的LA-SVM方法，用于自动去除入侵检测中的冗余特征。这是学习自动机解决降维问题的第一个应用。仿真结果表明，与传统的支持向量机相比，LA-SVM方法具有更高的预测精度和更高的预测效率。
2018-01-04 cs.CR cs.LG
Intrusion Detection in IoT Networks Using Hyperdimensional Computing: A Case Study on the NSL-KDD Dataset
Computer Science and Engineering, Wright State University, Ohio, USA（计算机科学与工程系，怀特州立大学，俄亥俄州，美国）；Computer Science and Engineering, Azad University, Ahvaz, Iran（计算机科学与工程系，阿扎德大学，阿瓦兹，伊朗）
针对物联网网络的安全挑战，提出基于超维计算的入侵检测框架，在NSL-KDD数据集上实现99.54%的准确率，优于传统方法，为物联网安全提供新方案。
2025-03-04 cs.CR cs.LG
Evaluation of Machine Learning Algorithms for Intrusion Detection System
University of Miskolc（米什科尔茨大学）；Mutah University（穆塔大学）
入侵检测系统（IDS）是抵御恶意攻击的有效手段之一。此外，攻击者总是不断改变他们的工具和技术。然而，实现一个公认的IDS系统也是一项具有挑战性的任务。在本文中，几个实验已经进行和评估，以评估各种机器学习分类器的基础上KDD入侵数据集。它成功地计算了几个性能指标，以评估所选择的分类器。重点研究了误报和漏报性能指标，以提高入侵检测系统的检测率。实验结果表明，决策表分类器的误报率最低，而随机森林分类器的平均准确率最高。
2018-01-08 cs.CR cs.LG
Deep Adversarial Learning in Intrusion Detection: A Data Augmentation Enhanced Framework
University of Exeter（埃克塞特大学）；China University of Petroleum (East China)（中国石油大学（华东））
入侵检测系统（IDS）在识别网络系统中的恶意攻击和威胁方面发挥着重要作用。作为入侵检测系统的基本工具，基于学习的分类方法得到了广泛的应用。当涉及到检测小样本大小的网络入侵时（例如，新兴的入侵），训练样本的数量有限和比例不平衡通常会给监督和半监督分类器的训练带来重大挑战。在本文中，我们提出了一个通用的网络入侵检测框架，以解决\emph{data scarcity}和\emph{data imbalance}的挑战。所提出的框架的新颖之处在于将深度对抗学习与统计学习相结合，并利用基于学习的数据增强。针对少量网络入侵样本，首先推导出Poisson-Gamma联合概率生成模型，利用蒙特卡罗方法生成综合入侵数据。然后，这些合成数据通过对抗性学习由深度生成神经网络增强。最后，采用扩充后的入侵数据训练监督模型，用于检测网络入侵。在KDD Cup 99数据集上的实验结果表明，该框架在准确率、查准率、查全率和F1得分等方面均优于现有的基于学习的入侵检测系统。
2019-01-27 cs.CR cs.LG
Analysis of Intelligent Classifiers and Enhancing the Detection Accuracy for Intrusion Detection System
Teesside University（提赛德大学）
在本文中，我们讨论和分析了一些智能分类器，它允许自动检测和分类的网络攻击的任何入侵检测系统。我们将首先使用WEKA软件对它们进行分析，以在众所周知的IDS（入侵检测系统）数据集（如NSL-KDD数据集）上使用分类器。网络攻击的NSL-KDD数据集是由麻省理工学院林肯实验室在军事网络中创建的。然后，我们将讨论和实验的混合AI（人工智能）分类器，可用于入侵检测系统，最后，我们开发了一个Java软件与三个最有效的分类器，并比较它与其他选项。输出将显示所使用的单个分类器和组合分类器的检测精度和效率。
2015-09-28 cs.CR cs.LG
Detect & Reject for Transferability of Black-box Adversarial Attacks Against Network Intrusion Detection Systems
Royal Military Academy（皇家军事学院）
在过去的十年中，机器学习技术在基于异常的入侵检测系统中的应用取得了很大的成功。然而，最近的研究表明，一般的机器学习和深度学习都容易受到对抗攻击的攻击，攻击者试图通过提供欺骗性输入来欺骗模型。计算机视觉领域的研究首次发现了这一漏洞，研究表明，旨在欺骗特定模型的对抗性图像可以欺骗其他机器学习模型。在本文中，我们研究了对抗性网络流量对多个基于机器学习的入侵检测系统的可转移性。此外，我们分析了集成入侵检测系统的鲁棒性，这是臭名昭著的更好的准确性相比，一个单一的模型，对对抗攻击的可转移性。最后，我们研究检测和拦截作为一种防御机制，以限制对抗性网络流量对基于机器学习的入侵检测系统的可转移性的影响。
2021-12-22 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
TII-SSRC-23 Dataset: Typological Exploration of Diverse Traffic Patterns for Intrusion Detection
Technology Innovation Institute（技术创新研究院）
本文提出 TII-SSRC-23 数据集，涵盖多样流量类型，通过特征重要性分析和基线实验，提升入侵检测模型的适应性与有效性。
2023-09-14 cs.CR cs.LG
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
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
Adversarial Training for Deep Learning-based Intrusion Detection Systems
Royal Military Academy（皇家军事学院）；Université Libre de Bruxelles（布鲁塞尔自由大学）
如今，深度神经网络（DNN）报告了许多机器学习领域的最新成果，包括入侵检测。然而，最近的计算机视觉研究表明，DNN可能容易受到对抗攻击的攻击，这些攻击能够通过注入特制的数据来欺骗它们进行错误分类。在安全关键领域，此类攻击可能会造成严重损害;因此，在本文中，我们将研究对抗攻击对基于深度学习的入侵检测的影响。此外，我们调查对抗性训练作为防御这种攻击的有效性。实验结果表明，在充分失真的情况下，对抗性样本能够误导检测器，采用对抗性训练可以提高入侵检测的鲁棒性。
2021-04-20 cs.CR cs.LG
Learning to Detect: A Data-driven Approach for Network Intrusion Detection
Embry-Riddle Aeronautical University（安柏瑞德航空大学）
随着每天产生的大量数据和世界互联网基础设施的互联性不断增加，基于机器学习的入侵检测系统（IDS）已成为保护我们的经济和国家安全的重要组成部分。在本文中，我们对网络流量数据集NSL-KDD进行了全面的研究，通过可视化模式并采用不同的基于学习的模型来检测网络攻击。与以往的浅层学习和深度学习模型采用单一学习模型方法进行入侵检测不同，本文采用了分层策略，首先对入侵行为和正常行为进行分类，然后对具体的攻击类型进行分类。我们证明了无监督表示学习模型在二进制入侵检测任务中的优势。此外，本文还将SVM-SMOTE过采样技术应用于4类分类中，缓解了数据不平衡问题，并以深度神经网络为基础模型，进一步验证了过采样机制的有效性和不足。
2021-08-18 cs.CR cs.LG
Relevant Feature Selection Model Using Data Mining for Intrusion Detection System
King Abdulaziz University（阿卜杜勒阿齐兹国王大学）；Fayoum University（法尤姆大学）
近年来，由于计算机网络对关键系统的需求增加，网络入侵已经成为一种重大威胁。入侵检测系统（IDS）作为计算机网络的一种防御手段，已得到广泛的应用。从网络流量中提取的特征可以作为异常检测的标志。然而，随着网络流量的巨大化，采集到的数据中包含了无关和冗余的特征，影响了入侵检测系统的检测率，消耗了大量的系统资源，降低了入侵检测系统的训练和测试速度。本文提出了一种新的特征选择模型，该模型可以有效地选择与入侵检测最相关的特征。我们的目标是建立一个轻量级的入侵检测系统，使用减少功能集。删除不相关和冗余的特征有助于构建更快的训练和测试过程，从而减少资源消耗并保持高检测率。在KDD入侵检测数据集上的实验验证了该特征选择模型的有效性和可行性。实验结果表明，我们的模型不仅能够产生高的检测率，但也加快了检测过程。
2014-03-30 cs.CR cs.LG
LSTM-Based System-Call Language Modeling and Robust Ensemble Method for Designing Host-Based Intrusion Detection Systems
Seoul National University（首尔大学）
在计算机安全中，设计一个健壮的入侵检测系统是最基本和最重要的问题之一。在本文中，我们提出了一个系统调用语言建模的方法来设计基于异常的主机入侵检测系统。为了解决传统方法中常见的误报率高的问题，我们采用了一种新的集成方法，将多个阈值分类器混合成一个单一的，使其能够积累“高度正常”的序列。所提出的系统调用语言模型具有各种优点，这是由于它可以学习现有方法不能有效考虑的每个系统调用的语义含义和交互。通过在公共基准数据集上的多种实验，验证了该方法的有效性。此外，我们表明，我们的模型具有很高的可移植性，这是实现成功的入侵检测系统的关键方面之一。
2016-11-06 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
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
LGTBIDS: Layer-wise Graph Theory Based Intrusion Detection System in Beyond 5G
无线通信技术的进步正变得越来越苛刻和普遍。限制网络效率的基本参数之一是安全挑战。通信网络容易受到诸如欺骗攻击和信号强度攻击的安全攻击。入侵检测是保证通信网络安全的重要手段。本文提出了一种基于图论框架的入侵检测系统。设计了一种基于分层图理论的入侵检测系统（LGTBIDS）算法来检测被攻击节点。该算法执行逐层分析以提取脆弱节点并最终提取受攻击节点。对于每一层，扫描每个节点以确定易受影响节点的可能性。入侵检测系统的策略是基于能量效率和保密率的分析。能量效率和保密率超出上下限阈值范围的节点被检测为受攻击节点。此外，检测到的节点用随机比特序列发送，然后进行重新认证过程。实验结果表明，该算法具有较好的性能、较低的计算时间和较低的复杂度.最后，将该方法与传统的入侵检测方法进行了比较。
2022-10-06 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
A Comparative Analysis of Machine Learning Algorithms for Intrusion Detection in Edge-Enabled IoT Networks
Taylor's University（泰莱大学）
互连设备和通过无线网络的数据通信的数量的显著增加已经引起了各种威胁、风险和安全问题。物联网（IoT）应用几乎部署在日常生活的各个领域，包括敏感环境。边缘计算范式通过将计算处理移动到数据源附近来补充物联网应用。在各种安全模型中，基于机器学习（ML）的入侵检测是最有可能对抗边缘物联网网络中异常行为的防御机制。ML算法用于将网络流量分为正常和恶意攻击。入侵检测是网络安全领域中的一个具有挑战性的问题。研究界提出了许多入侵检测系统。然而，在选择合适的算法以在启用边缘的IoT网络中提供安全性方面存在挑战。在本文中，传统的机器学习分类算法进行了比较分析，NSL-KDD数据集上使用Pycharm工具上的分类器对网络流量进行分类。可以观察到，多层感知（MLP）在输入和输出之间具有依赖性，并且更多地依赖于用于入侵检测的网络配置。因此，MLP更适合基于边缘的物联网网络，其训练时间更好，为1.2秒，测试准确率为79%。
2021-11-02 cs.CR cs.LG
Effective Metaheuristic Based Classifiers for Multiclass Intrusion Detection
University of Lahore（拉合尔大学）；NUCES（巴基斯坦国家计算机与新兴科学大学）
由于计算机网络和应用的指数增长，网络安全已经成为网络安全领域中最大的关注点。入侵检测在信息系统或网络设备的安全中起着重要的作用。入侵检测系统（IDS）的目的是检测恶意活动，然后针对这些活动生成警报。拥有大量的数据是检测攻击的关键问题之一。大多数入侵检测系统利用数据集的所有特征来评估模型，导致检测率低，计算时间长，占用大量计算机资源。为了快速检测攻击，IDS需要轻量级的数据。特征选择方法在选择最佳特征以实现最大精度方面起着关键作用。本研究工作通过考虑两个更新的攻击数据集UNSW-NB 15和CICDDoS 2019进行实验。提出了一种基于包装器的集成分类器遗传算法特征选择方法。遗传算法选择最佳的特征子集，并实现高精度，检测率（DR）和低误报率（FAR）相比，现有的方法。本文的研究重点是多类分类。实现两种集成方法：堆叠和装袋，以检测不同类型的攻击。实验结果表明，遗传算法显著提高了堆叠集成分类器的分类精度.
2022-10-06 cs.CR cs.LG
Improving Transferability of Network Intrusion Detection in a Federated Learning Setup
Purdue University（普渡大学）
本文研究联邦学习设置下网络入侵检测的迁移性问题，提出两种技术显著提升联邦入侵检测系统对未见入侵类别的检测迁移性。
2024-01-07 cs.CR cs.LG eess.SP
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
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 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
Feature selection for intrusion detection systems
Canadian University Dubai（迪拜加拿大大学）
在本文中，我们分析了现有的特征选择方法，以确定网络流量数据，允许入侵检测的关键要素。此外，我们提出了一种新的特征选择方法，解决了考虑连续输入特征和离散目标值的挑战。我们表明，该方法对基准选择方法表现良好。我们利用我们的研究结果开发了一个高效的基于机器学习的检测系统，在区分DDoS和良性信号方面达到了99.9%的准确率。我们相信，我们的研究结果可以是有用的专家谁有兴趣在设计和构建自动入侵检测系统。
2021-06-28 cs.CR cs.LG cs.NI
Mimic Learning to Generate a Shareable Network Intrusion Detection Model
Tennessee Tech University（田纳西理工大学）；Benha University（本哈大学）；North Carolina A&T State University（北卡罗来纳农工州立大学）
恶意网络攻击的提供者继续增加其技术的复杂性和复杂性，并且他们逃避检测的能力也继续提高。因此，入侵检测系统也必须发展，以满足这些日益具有挑战性的威胁。机器学习通常用于支持这种所需的改进。然而，训练良好的预测模型可能需要大量标记的训练数据。这些数据集很难获得，因为隐私问题阻止了大多数入侵检测机构共享其敏感数据。在本文中，我们提出了使用模仿学习，使入侵检测知识的转移，通过私人数据训练的教师模型的学生模型。这种学生模型提供了一种公开共享从私有数据中提取的知识的方法，而无需共享数据本身。我们的研究结果证实，该方案可以产生一个学生入侵检测模型，模仿教师模型，而不需要访问原始数据集。
2020-02-18 cs.CR cs.LG stat.ML
Open Set Dandelion Network for IoT Intrusion Detection
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）；University of New Brunswick（新不伦瑞克大学）；University of Macau（澳门大学）
本文提出开放集Dandelion Network（OSDN），通过无监督异构域适应实现入侵知识转移，并利用蒲公英特征空间机制增强类间可分离性与类内紧凑性，有效解决IoT数据稀缺下的入侵检测及新类别发现问题，性能超越基线16.9%。
2024-01-08 cs.AI 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
Enhancing Intrusion Detection In Internet Of Vehicles Through Federated Learning
VIT（维洛尔理工大学）；School of Electronics Engineering（电子工程学院）；School of Computer Science and Engineering（计算机科学与工程学院）
本文提出一种基于联邦学习的车联网入侵检测框架，结合 SMOTE、异常值检测和超参数调优，在不共享原始数据的前提下有效提升检测性能并保护敏感数据。
2023-11-23 cs.AI cs.CR cs.LG
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
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
A New Clustering Approach for Anomaly Intrusion Detection
Birla Institute of Technology, Mesra, Ranchi（比尔拉理工学院，梅斯拉，兰契）
最近的技术进步使我们的工作比以前更容易。计算机网络日益发展，但在讨论计算机和网络的安全性时，它一直是从小型到大型企业的组织所关注的主要问题。的确，组织意识到可能的威胁和攻击，所以他们总是为更安全的一面做准备，但由于一些漏洞，攻击者能够进行攻击。入侵检测是一个重要的研究领域，研究人员正在努力寻找新的算法来检测入侵。数据采掘中的聚类技术是一个感兴趣的研究领域，用于检测可能的入侵和攻击。利用聚类的K中心点方法及其某些改进，提出了一种新的异常入侵检测聚类方法。该算法能够获得较高的检测率，并克服了K-means算法的缺点。
2014-04-10 cs.CR cs.DC cs.LG
CANet: An Unsupervised Intrusion Detection System for High Dimensional CAN Bus Data
ETAS GmbH, Bosch Group（博世集团ETAS有限公司）；Robert Bosch GmbH（罗伯特·博世有限公司）
我们提出了一种新的神经网络体系结构检测入侵的CAN总线。控制器局域网（CAN）是汽车电子控制单元（ECU）之间的标准通信方式。然而，CAN缺乏安全机制，最近已经表明它可以被远程攻击。因此，需要监控CAN流量以检测入侵。为了检测已知和未知的入侵场景，我们考虑了一种新的无监督学习方法，我们称之为CANet。据我们所知，这是第一个基于深度学习的入侵检测系统（IDS），它采用具有不同ID的单个CAN消息，并在收到它们的那一刻对其进行评估。这是一个重大的进步，因为具有不同ID的消息通常在不同的时间以不同的频率发送。我们的方法进行评估，真实和合成CAN数据。对于方法的重现性，我们的合成数据是公开的。与以前的基于机器学习的方法的比较表明，CANet优于他们的显着保证金。
2019-06-06 cs.CR cs.LG eess.SP
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
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
Heterogeneous Domain Adaptation for IoT Intrusion Detection: A Geometric Graph Alignment Approach
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）；University of Macau（澳门大学）
数据稀缺性阻碍了数据依赖算法在处理物联网入侵检测（IID）时的可用性。为了解决这个问题，我们利用数据丰富的网络入侵检测（NID）域，以促进更准确的入侵检测IID域。在本文中，几何图形对齐（GGA）的方法是利用屏蔽域之间的几何异构性，更好地入侵知识转移。具体来说，每个入侵域被制定为一个图，其中顶点和边表示入侵类别和类别之间的相互关系，分别。整体形状通过一个混乱的矩阵无法识别不同的入侵域图之间的邻接矩阵。旋转避免机制和中心点匹配机制分别用于避免由于旋转和对称而导致的图形不对齐。此外，类别明智的语义知识被转移到充当顶点级对齐。为了利用目标数据，一个伪标签选举机制，联合考虑网络预测，几何属性和邻域信息被用来产生细粒度的伪标签分配。通过对不同粒度的入侵图进行几何对齐，传输的入侵知识可以提高IID性能。在多个入侵数据集上的综合实验表明了GGA方法的最新性能，并验证了GGA构成组件的有用性。
2023-01-24 cs.CR cs.CY cs.LG
Adaptive Bi-Recommendation and Self-Improving Network for Heterogeneous Domain Adaptation-Assisted IoT Intrusion Detection
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）；University of Macau（澳门大学）；University of New Brunswick（新不伦瑞克大学）
随着物联网设备的普及，使用入侵检测来保护物联网免受恶意入侵至关重要。然而，物联网的数据稀缺性阻碍了传统入侵检测方法的有效性。针对这一问题，本文提出了一种基于无监督异构领域自适应（HDA）的自适应双向推荐自改进网络（ABRSI）。ABRSI从数据丰富的网络入侵源域传输丰富的入侵知识，以促进数据稀缺的物联网目标域的有效入侵检测。ABRSI通过自适应双推荐匹配实现细粒度的入侵知识传递。两个推荐系统的双向推荐兴趣匹配和入侵类别在共享特征空间中的对齐形成了一个互利的循环。此外，ABRSI还采用了自改进机制，从四个方面自主改进入侵知识传递。硬伪标签投票机制联合考虑推荐系统决策和标签关系信息，以促进更准确的硬伪标签分配。为提高入侵知识传递过程中的多样性和目标数据参与度，对不能被分配硬伪标签的目标实例分配概率软伪标签，形成混合伪标签策略.与此同时，ABRSI也使得软伪标签在全球范围内多样化，并具有个体确定性。最后，利用错误知识学习机制来对抗性地利用导致检测模糊的因素，并通过当前和先前的错误知识进行学习，防止错误知识遗忘。从整体上讲，这些机制形成了ABRSI模型，通过HDA辅助的入侵知识转移来提高物联网入侵检测的准确性。
2023-03-25 cs.CR cs.CY cs.LG
Training a Bidirectional GAN-based One-Class Classifier for Network Intrusion Detection
Massey University（梅西大学）；CQ University（中央昆士兰大学）
网络入侵检测任务是具有挑战性的，因为它所操作的数据集的不平衡和未标记的性质。现有的生成对抗网络（GANs）主要用于从真实数据中创建合成样本。它们在异常检测任务中也被证明是成功的。在我们所提出的方法中，我们构建训练的编码器-神经网络作为一个基于双向GAN（Bi-GAN）的单类分类器，用于从正常流量中检测异常流量，而不是计算昂贵和复杂的异常分数或阈值。实验结果表明，该方法在网络入侵检测任务中具有很高的效率，并且在NSL-KDD数据集上的性能优于其他类似的生成方法.
2022-03-08 cs.LG
Anomal-E: A Self-Supervised Network Intrusion Detection System based on Graph Neural Networks
The University of Queensland（昆士兰大学）
本文研究了图神经网络在自监督网络入侵和异常检测中的应用。GNN是一种基于图的数据的深度学习方法，它将图结构纳入学习中，以概括图表示和输出嵌入。由于网络流自然是基于图的，因此GNN非常适合分析和学习网络行为。目前大多数基于GNN的网络入侵检测系统（NIDS）的实现严重依赖于标记的网络流量，这不仅可以限制输入流量的数量和结构，而且还可以限制NIDS适应不可见攻击的潜力。为了克服这些限制，我们提出了Anomal-E，这是一种用于入侵和异常检测的GNN方法，它在自监督过程中利用边缘特征和图形拓扑结构。据我们所知，这种方法是第一个成功和实用的网络入侵检测方法，它利用网络流进行自我监督，边缘利用GNN。在两个现代基准NIDS数据集上的实验结果不仅清楚地显示了使用Anomal-E嵌入而不是原始特征的改进，而且还显示了Anomal-E在检测野生网络流量方面的潜力。
2023-02-09 cs.AI cs.CR cs.LG
Convolutional Neural Network-based Intrusion Detection System for AVTP Streams in Automotive Ethernet-based Networks
Korea University（高丽大学）；Electronics and Telecommunications Research Institute（韩国电子通信研究院）
互联和自动驾驶汽车（CAV）是传统汽车的创新形式。汽车以太网取代了控制器局域网和FlexRay，以支持高清应用所需的大吞吐量。由于CAV具有多种功能，它们表现出较大的攻击面和增加的易受攻击性。然而，没有以前的研究集中在基于以太网的汽车网络的入侵检测。在本文中，我们提出了一种入侵检测方法检测音频视频传输协议（AVTP）流注入攻击在汽车以太网为基础的网络。据我们所知，这是第一个为汽车以太网开发的这种方法。提出的入侵检测模型是基于特征生成和卷积神经网络（CNN）。为了评估我们的入侵检测系统，我们建立了一个物理的BroadR-Reach的测试床，并捕获真正的AVTP数据包。实验结果表明，该模型具有优异的性能：F1分数和召回率分别大于0.9704和0.9949。根据每个输入的推理时间和AVTP流量的生成间隔，我们的CNN模型可以很容易地用于实时检测。
2021-02-06 cs.CR cs.LG cs.SY
FetFIDS: A Feature Embedding Attention based Federated Network Intrusion Detection Algorithm
School of Electrical and Computer Engineering, Purdue University, USA（电气与计算机工程学院，普渡大学）
本文提出FetFIDS算法，通过使用特征嵌入替代位置嵌入改进基于Transformer的深度学习系统，并在边缘学习场景下结合联邦学习保障隐私与局部性能，在联邦环境中优于多种先进入侵检测系统。
2025-08-12 cs.CR cs.LG cs.NI
Diffusion-based Adversarial Purification for Intrusion Detection
Polytechnique Montréal（蒙特利尔理工学院）；IRT SystemX
本文针对入侵检测中对抗样本的挑战，首次证明了扩散模型在网络入侵检测中净化对抗样本的有效性，通过全面分析扩散参数确定了最优配置，并揭示了扩散噪声与扩散步数之间的关系。
2024-06-25 cs.AI cs.CR cs.LG
Detection-Rate-Emphasized Multi-objective Evolutionary Feature Selection for Network Intrusion Detection
Nanjing University（南京大学）；School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
针对现有多目标进化特征选择忽视检测率的问题，提出 DR-MOFS，将特征数、准确率和检测率同时作为优化目标，并在 NSL-KDD 与 UNSW-NB15 上验证其优势。
2024-06-13 cs.LG
E-GraphSAGE: A Graph Neural Network based Intrusion Detection System for IoT
The University of Queensland（昆士兰大学）
本文提出E-GraphSAGE，一种基于图神经网络的物联网入侵检测系统，通过捕获边特征和拓扑信息，在四个基准数据集上优于现有方法。
2022-01-11 cs.AI cs.CR cs.LG
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
Online Feature Ranking for Intrusion Detection Systems
Aalto University（阿尔托大学）
目前许多入侵检测系统的设计方法都是以静态的、非自适应的方式进行特征选择。这些方法往往忽略了网络数据的动态特性，而动态特性要求采用自适应特征选择技术。在本文中，我们提出了一种简单的技术，基于增量学习的支持向量机，以排名的功能在网络数据流模型的实时的性。两个流行的基准数据集的一些说明性的数值实验表明，我们的方法可以适应正常的网络行为和新的攻击模式，以前没有经历过的变化。
2018-06-15 cs.CR cs.LG cs.NI
OCLEP+: One-class Anomaly and Intrusion Detection Using Minimal Length of Emerging Patterns
Wright State University（莱特州立大学）
本文提出了一种基于新兴模式长度统计的单类分类方法（OCLEP+）。
2018-11-24 cs.LG stat.ML
One-Class Intrusion Detection with Dynamic Graphs
Machine Learning Group, Bielefeld University, Germany（比勒菲尔德大学机器学习组）
本文提出基于动态图建模与深度异常检测的入侵检测方法 TGN-SVDD，在真实入侵检测数据上优于多个基线，并给出了更具挑战性的数据变体。
2025-08-18 cs.AI cs.LG
A Compendium on Network and Host based Intrusion Detection Systems
Amrita School of Engineering, Amrita Vishwa Vidyapeetham（阿姆里塔大学阿姆里塔工程学院）；Amrita Vishwa Vidyapeetham（阿姆里塔大学）
深度学习技术已经成为用于执行来自计算机视觉、自然语言处理和若干其他领域的各种领域的复杂任务的最先进的方法。由于其在这些领域的快速发展和有前途的基准，研究人员开始试验这种技术在该领域的执行，特别是在入侵检测相关的任务。深度学习是经典机器学习的子集和自然扩展，也是神经网络的进化模型。本文考虑并讨论了与入侵检测系统领域的前沿深度学习和神经网络模型相关的所有方法。
2019-04-06 cs.CR cs.LG cs.NE
A cognitive based Intrusion detection system
Qazvin Islamic Azad University（加兹温伊斯兰阿扎德大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
入侵检测是保障计算机网络安全的重要机制之一。由于攻击的增加以及对诸如医学、商业和工程等其他领域的日益依赖，通过网络提供服务和维护网络安全已经成为一个重要问题。入侵检测系统（IDS）的目的是开发能够区分正常通信和异常通信的模型，并采取必要的措施。在这一领域的各种方法中，人工神经网络（ANN）已经得到了广泛的应用。然而，基于人工神经网络的入侵检测系统面临两个主要问题：检测精度低和检测稳定性差。为了克服这些问题，本文提出了一种新的方法，基于深度神经网络和支持向量机分类器，它的灵感来自“分而治之”的哲学。该模型预测的攻击具有更好的准确性，而类似的入侵检测方法。在我们的实证研究中，我们利用了KDD99数据集。实验结果表明，新方法的分类准确率提高到95.4%。
2022-06-12 cs.AI cs.LG
