Quantum Autoencoders for Anomaly Detection in Cybersecurity
Disruptive Technologies Office（颠覆性技术办公室）；Home Team Science & Technology Agency（家庭团队科技局）
本研究将量子自编码器应用于网络安全异常检测，在BETH数据集上，8特征QAE在数据有限时F1达0.87，优于经典自编码器的0.77，展示了量子优势。
2025-10-22 cs.CR cs.ET cs.LG
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
Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems
Arizona State University（亚利桑那州立大学）；University of Kansas（堪萨斯大学）
针对信息物理系统中传统异常检测方法易受分布偏移和类别不平衡影响的问题，提出基于因果图的异常检测框架 CGAD，通过动态贝叶斯网络学习因果不变图结构并利用结构差异检测异常，在四个工业数据集上显著提升了 F1 和 ROC-AUC 得分。
2025-08-13 cs.CR cs.LG
Hybrid Latent-Structural Fusion (HLSF) for Cyber Anomaly Detection
Sandia National Laboratory（桑迪亚国家实验室）
研究针对网络安全中恶意异常活动检测难题，提出混合潜在结构融合（HLSF）框架，整合CP-APR结构异常分数与归一化流潜在空间密度分数，实验证明该框架能提升在特定数据集上的异常检测性能。
2026-07-22 cs.LG
Challenges in Forecasting Malicious Events from Incomplete Data
University of Southern California（南加州大学）；Information Sciences Institute（信息科学研究所）
准确预测网络攻击的能力将使组织能够减轻其日益增长的威胁，并避免其造成的财务损失和中断。但网络攻击的可预测性如何？研究人员试图将外部数据（从漏洞披露到Twitter和暗网上的讨论）与机器学习算法相结合，以了解即将发生的网络攻击的指标。然而，成功的网络攻击只占所有攻击企图的一小部分：绝大多数都被目标部署的安全设备阻止或过滤。正如我们在本文中所展示的那样，过滤过程降低了网络攻击的可预测性。与整个数据相比，少数确实穿透目标防御的攻击遵循不同的生成过程，这对于预测模型来说要难得多。这可能是由于产生的时间序列除了原始时间序列所依赖的所有不同因素外，还取决于过滤过程。我们根据经验量化了由于使用来自两个组织的真实数据进行过滤而导致的可预测性损失。我们的工作确定了从高度过滤的数据中预测网络攻击的局限性。
2020-04-06 cs.CR cs.LG stat.ML
CyberCScope: Mining Skewed Tensor Streams and Online Anomaly Detection in Cybersecurity Systems
SANKEN, Osaka University（大阪大学 SANKEN）
提出流式方法CyberCScope，通过混合偏斜无限与有限维分解处理高阶张量流，实现网络安全中多类型入侵的实时检测与特征总结。
2025-03-02 cs.AI cs.CR cs.LG
Adaptive Anomaly Detection for Identifying Attacks in Cyber-Physical Systems: A Systematic Literature Review
本文作为首篇系统性文献综述，收集并分析了2013至2023年关于信息物理系统中自适应异常检测（AAD）的65篇论文，提出新分类法，发现现有研究很少同时兼顾数据处理与模型自适应，并指出了局限与未来方向。
2025-01-03 cs.CR cs.LG
Enhancing Cybersecurity in IoT Networks: A Deep Learning Approach to Anomaly Detection
Hebei Finance University（河北金融学院）
针对物联网扩张带来的网络安全威胁升级问题，提出融合LSTM与注意力机制的深度学习异常检测模型，在多类公开数据集上表现优于现有基线。
2024-12-11 cs.CR cs.LG
Ensemble Learning based Anomaly Detection for IoT Cybersecurity via Bayesian Hyperparameters Sensitivity Analysis
Western Sydney University（西悉尼大学）；The University of Sydney（悉尼大学）；Central Queensland University（中央昆士兰大学）
针对物联网异构数据下的网络安全异常检测难题，提出结合贝叶斯超参数优化的集成学习统一框架，相比传统方法具备更高预测准确率。
2023-07-20 cs.LG cs.SI stat.ML
Anomaly Detection for Real-World Cyber-Physical Security using Quantum Hybrid Support Vector Machines
University of Tennessee（田纳西大学）；GE Vernova Advanced Research Center（GE Vernova先进研究中心）
本文提出结合强预处理与利用参数化量子电路保真度的量子混合 SVM，用于 CPS 传感器数据的网络攻击异常检测，在 HAI CPS 数据集上取得 0.86 的 F-1 分数和 87% 准确率。
2024-09-08 cs.CR cs.LG quant-ph
LSTM for Model-Based Anomaly Detection in Cyber-Physical Systems
OWL University of Applied Sciences（OWL应用科学大学）
异常检测是检测与给定上下文中系统的正常行为不同的数据的任务。为了解决这个问题，可以学习数据驱动模型来预测当前或未来的观测结果。通常，异常行为取决于系统的内部动态，在静态环境中看起来很正常。为了解决这个问题，模型还应该根据状态进行操作。长短期记忆（LSTM）神经网络已被证明对学习具有不同时间依赖长度的时间序列特别有用，因此是学习任意复杂网络物理系统行为的有趣的通用方法。为了进行异常检测，我们稍微修改了标准范数2误差，以纳入模型不确定性的估计。我们分析了人工和真实数据的方法。
2020-10-29 cs.LG
Unsupervised anomaly detection on cybersecurity data streams: a case with BETH dataset
RTU MIREA（俄罗斯技术大学密瑞亚）
针对网络安全数据流异常检测需求，本文基于BETH数据集测试三类Python流机器学习库的十种算法，评估其ROC-AUC与处理效率，筛选出潜力算法并指明后续研究方向。
2025-06-16 cs.CR cs.LG
Hybrid Temporal Differential Consistency Autoencoder for Efficient and Sustainable Anomaly Detection in Cyber-Physical Systems
JOANNEUM RESEARCH Forschungsgesellschaft mbH（JOANNEUM RESEARCH 研究会）；TU Graz（格拉茨技术大学）
本文提出混合时序差分一致性自编码器 hybrid TDC-AE，通过结合确定性节点与统计节点捕捉系统动态，在无需领域知识的情况下将异常检测时间缩短3%，并超越BATADAL挑战赛领先者，实现高效可持续的CPS异常检测。
2025-09-19 cs.AI cs.CR cs.LG
Robust Spectral Filtering and Anomaly Detection
IBM Research – Ireland（IBM研究院（爱尔兰））
我们考虑一个设置，其中的线性动力系统（LDS）的输出，一个未知的，但固定的概率，被噪声取代。在那里，我们提出了一个强大的方法预测的LDS的输出和噪声样本的识别，并证明其统计性能的保证。一个应用在于异常检测：不太可能由动力学产生的噪声样本可以标记给系统的操作员以供进一步研究。
2018-08-03 cs.LG math.OC stat.ML
Self-Verifying Anomaly Detection using Explainable AI for Cybersecurity of DER Networks
Iowa State University（爱荷华州立大学）
针对分布式能源网络，提出基于XAI的自验证异常检测框架ExCYDER，结合LightGBM与SHAP验证警报，实现高准确率与可解释性。
2026-09-14 cs.AI cs.CR cs.LG
Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection in Power Distribution Grids
West Virginia University（西弗吉尼亚大学）
针对配电网隐蔽网络攻击，本文提出将基尔霍夫定律融入损失函数的多变量 PIConvAE，并在 IEEE 13/123 节点系统中验证其精度、收敛速度和攻击检测能力。
2023-12-08 cs.CR cs.LG cs.SY
Adversarial Augmentation and Active Sampling for Robust Cyber Anomaly Detection
New York University, NYUAD, Division of Science.（纽约大学，NYUAD，科学学院）
针对APT检测中标注数据稀缺的问题，本文提出结合注意力对抗双自动编码器与主动学习的异常检测框架，在多系统真实不平衡数据集上实现了检测率的显著提升，降低了标注成本。
2025-09-05 cs.AI cs.CR cs.CY
Condition monitoring and anomaly detection in cyber-physical systems
University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
现代工业环境正在装备无数的智能制造机器，其中每个设备的状态都可以被持续监控。这种监测可以帮助识别未来可能发生的故障，并制定具有成本效益的维护计划。然而，要从大量收集的数据中进行早期检测，同时降低误报和漏报率，是一项艰巨的任务。这需要开发一个整体的机器学习框架来解决高优先级组件的状态监控问题，并开发有效的技术来检测异常，从而可以检测并可能定位故障组件。本文提出了一个比较分析的最新机器学习方法，强大的，具有成本效益的异常检测在网络物理系统。虽然检测已被广泛研究，但很少有研究人员分析异常的定位。我们表明，监督学习优于无监督算法。对于有监督的情况，我们实现了98%的近乎完美的准确率（特别是基于树的算法）。相比之下，在无监督的情况下，最佳情况下的准确率为63%：受试者工作特征曲线（AUC）下的面积作为一个额外的指标显示出类似的结果。
2023-01-22 cs.LG
Digital Twin-based Anomaly Detection with Curriculum Learning in Cyber-physical Systems
Simula Research Laboratory（西姆拉研究实验室）；University of Oslo（奥斯陆大学）
针对CPS异常检测中训练数据难度不一的问题，本文提出LATTICE，在数字孪生方法ATTAIN中引入由易到难的课程学习，并在五个真实数据集上验证其F1、训练时间和延迟表现。
2023-09-27 cs.CR cs.LG cs.SE
Towards eco friendly cybersecurity: machine learning based anomaly detection with carbon and energy metrics
Gannon University（甘农大学）；Western Illinois University（西伊利诺伊大学）；University of South Wales（南威尔士大学）；Washington University of Science and Technology（华盛顿科技大学）；International American University（国际美国大学）；California State University, Dominguez Hills（加州州立大学多明格斯山分校）；University of New Haven（纽黑文大学）
本研究提出一种结合碳和能耗指标的环保型网络安全框架，通过优化机器学习模型提升检测效率并降低环境影响。
2025-12-31 cs.CR cs.CY cs.LG
Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems
University of Central Florida（中佛罗里达大学）
我们的工作重点是网络物理系统中的异常检测。现有文献有三个局限性：（1）未能捕获系统异常中的长延迟模式;（2）忽略传感器连接的动态变化;（3）高维数据样本的诅咒。这些限制了现有作品的检测性能和实用性。为了解决这些问题，我们提出了一种新的方法，称为深度图流支持向量数据描述（SVDD）的异常检测。具体来说，我们首先使用一个Transformer来保存时间嵌入中的监控数据的短期和长期模式。然后，我们根据传感器类型聚类这些嵌入，并利用它们来估计各种传感器之间的连接变化，以构建一个新的加权图。将时态嵌入作为节点属性映射到新的图中，形成加权属性图。我们将图输入到变分图自动编码器模型中以学习最终的时空表示。最后，我们学习一个包含正常嵌入的超球体，并通过计算超球体和数据样本之间的距离来预测系统状态。大量的实验验证了我们的模型的优越性，它将F1分数提高了35.87%，AUC提高了19.32%，同时在训练和推理方面比最佳基线快了32倍。
2023-02-24 cs.LG
Robustness Testing of Data and Knowledge Driven Anomaly Detection in Cyber-Physical Systems
University of Virginia（弗吉尼亚大学）
网络物理系统（CPS）的复杂性日益增加，在确保安全性方面面临挑战，因此越来越多地使用深度学习方法来进行准确和可扩展的异常检测。然而，机器学习（ML）模型在预测意外数据时往往性能低下，并且容易受到意外或恶意扰动的影响。虽然深度学习模型的鲁棒性测试在图像分类和语音识别等应用中得到了广泛的探索，但对CPS中ML驱动的安全监控关注较少。本文提出了初步结果评估的鲁棒性ML为基础的异常检测方法在安全关键的CPS对两种类型的意外和恶意的输入扰动，使用基于高斯的噪声模型和快速梯度符号法（FGSM）。我们检验了整合领域知识（例如，对于不安全的系统行为）与ML模型的结合可以在不牺牲准确性和透明度的情况下提高异常检测的鲁棒性。针对糖尿病管理的人工胰腺系统（APS）的两个案例研究的实验结果表明，使用领域知识训练的基于ML的安全监控器可以平均减少高达54.2%的鲁棒性错误，并保持平均F1分数高，同时提高透明度。
2022-05-03 cs.AI cs.LG
Rethinking Spatio-Temporal Anomaly Detection: A Vision for Causality-Driven Cybersecurity
Arizona State University（亚利桑那州立大学）；University of Kansas（堪萨斯大学）
本文针对黑盒深度学习在时空异常检测中可解释性差、适应性和鲁棒性不足的问题，提出基于因果学习的视角，通过因果图分析、多视图融合和持续因果图学习三个方向，构建可扩展、自适应且可解释的网络安全异常检测系统。
2025-07-10 cs.AI cs.ET cs.LG
Anomaly detection with superexperts under delayed feedback
The Alan Turing Institute（艾伦·图灵研究所）；WMG Cyber Security Centre, University of Warwick（华威大学WMG网络安全中心）
数据和网络物理系统的连通性日益增强，导致网络攻击数量不断增加。需要通过查明异常活动来实时检测此类攻击，以便有效和迅速地部署缓解行动和应急行动。我们提出了一种新的方法，聚合无监督的异常检测算法，并将反馈时，它变得可用。我们将这种方法应用于开源的真实数据集，并表明，这两个聚合模型，我们称之为专家，并纳入反馈显着提高性能。所提出的方法的一个重要属性是它们的理论保证，即它们的性能接近最佳超级专家，可以在最佳性能专家之间切换，在累积平均损失方面。
2021-04-22 cs.LG stat.ML
Performance of Machine Learning Classifiers for Anomaly Detection in Cyber Security Applications
IU International University of Applied Sciences（国际应用科学大学）
本研究在KDDCUP99和Credit Card Fraud 2013数据集上评估了多种机器学习模型在网络安全异常检测中的性能，发现XGB和MLP优于生成模型，并指出IterativeImputer不适用于大型数据集。
2025-04-26 cs.CR cs.LG
Metric Matters: A Formal Evaluation of Similarity Measures in Active Learning for Cyber Threat Intelligence
New York University, NYUAD, Division of Science（纽约大学、NYUAD、科学学院）
针对APT检测中的类别不平衡问题，提出基于注意力自编码器和相似性搜索的主动学习异常检测框架，形式化评估多种相似性度量，证明度量选择显著影响收敛、准确率与标签效率。
2025-08-26 cs.AI cs.LG cs.NE
Detecting Cyberattacks in Industrial Control Systems Using Convolutional Neural Networks
Ben Gurion university（本-古里安大学）
本文提出了一种使用无监督深度神经网络（具体为卷积神经网络）检测工业控制系统（ICS）网络攻击的研究。该研究是在SecureWater Treatment testbed（SWaT）数据集上进行的，该数据集代表了现实世界工业水处理厂的缩小版本。我们提出了一种基于测量预测值与观测值的统计偏差的异常检测方法。我们通过使用各种深度神经网络架构（包括卷积和递归网络的不同变体）来应用所提出的方法。SWaT的测试数据集包括36种不同的网络攻击。所提出的方法成功地检测到了绝大多数的攻击，具有较低的误报率，从而改善了以前的作品基于此数据集。研究结果表明，一维卷积网络可以成功地应用于工业控制系统中的异常检测，并优于更复杂的递归网络，同时更小，更快的训练。
2018-12-10 cs.CR cs.LG
Cybersecurity-Focused Anomaly Detection in Connected Autonomous Vehicles Using Machine Learning
Engineering Data Science University of Houston（工程数据科学大学休斯顿大学）；Department of Civil and Environmental Engineering University of Houston（土木与环境工程系大学休斯顿大学）；Department of Information Science Technology University of Houston（信息科学与技术系大学休斯顿大学）；Department of Civil and Architectural Engineering and Construction Management University of Cincinnati（土木与建筑工程及建设管理系辛辛那提大学）；Mathematics Department Embry-Riddle Aeronautical University（数学系Embry-Riddle航空航天大学）；Department of Cyber Security Engineering George Mason University（网络安全工程系乔治·马歇尔大学）
针对网联自动驾驶车辆的安全威胁，本研究通过模拟生成驾驶交互数据集，提出并应用堆叠LSTM和Random Forest机器学习模型进行异常检测，实验证明两模型均能有效预测轨迹并识别异常驾驶模式。
2025-06-28 cs.LG
Domain-Prior-Regularized Graph Modeling for Anomaly Detection in Cyber-Physical Systems
针对网络物理系统多变量传感器时间序列异常检测，提出DPR-GM框架，利用大语言模型提取传感器对物理耦合，经皮尔逊相关性调制和传感器级可靠性加权，在SKAB基准测试中优于多种基线。
2026-07-29 cs.AI cs.LG
Anomaly Detection from a Tensor Train Perspective
Instituto Tecnológico de Castilla y León（卡斯蒂利亚莱昂理工学院）；MONDRAGON Corporation（蒙德拉贡集团）；i3B Ibermatica（i3B伊贝尔马蒂卡）
本文提出一系列基于Tensor Train表示进行数据压缩的张量网络异常检测算法，通过保留正常数据结构并删除异常数据结构进行检测，在多种数据集上验证了其有效性。
2024-09-23 cs.CR cs.ET cs.IT
Anomaly Detection Techniques in Smart Grid Systems: A Review
Tennessee Tech University（田纳西理工大学）
本文综述智能电网异常检测的最新进展，从多方面分类现有研究、分析挑战与不足，并指出未来研究方向。
2023-06-04 cs.CR cs.LG
Quantum Machine Learning for Cyber-Physical Anomaly Detection in Unmanned Aerial Vehicles: A Leakage-Free Evaluation with Proxy-Audited Feature Sets
Corporation for Aerospace Initiatives, Research and Innovation (CASIRI)（航空航天研究与创新公司）；Department of Electronics Engineering, Universidad Nacional de Colombia（国立哥伦比亚大学电子工程系）；Department of Electronics Engineering, Universidad del Cauca（卡利学院电子工程系）；Department of Physics, Universidad del Cauca（卡利大学物理系）
针对无人机网络物理攻击，提出无泄漏评估框架，结合分组时间协议、三模式特征审计和混合XGBoost+数据重上传分类器，验证量子增强混合方法的增量优势。
2026-05-28 cs.CR cs.LG quant-ph
Deep-RBF Networks for Anomaly Detection in Automotive Cyber-Physical Systems
Microsoft Corporation（微软公司）；Vanderbilt University（范德堡大学）
深度神经网络（DNN）广泛用于实现汽车网络物理系统（CPS）中的自主相关任务。然而，这些网络已经被证明对异常输入做出错误的预测，这可能是由于分布外（OOD）数据或对抗攻击造成的。为了检测这些异常，通常会训练一个称为保证监视器的单独DNN，并与控制器DNN并行使用，从而增加了资源负担和延迟。我们假设，一个单一的网络，可以执行控制器的预测和异常检测是必要的，以减少资源需求。深度径向基函数（RBF）网络提供了一个拒绝类以及类预测，可用于在运行时检测异常。然而，RBF激活函数的使用限制了这些网络仅用于分类任务的适用性。在本文中，我们展示了深度RBF网络如何用于检测CPS回归任务中的异常，例如连续转向预测。此外，我们使用流行的DNN（如NVIDIA DAVE-II和ResNet 20）设计深度RBF网络，然后使用产生的拒绝类来检测对抗攻击，如物理攻击和数据中毒攻击。最后，我们使用名为DeepNNCar的硬件CPS测试平台和真实世界的德国交通标志基准（GTSB）数据集来评估这些攻击和训练的深度RBF网络。我们的研究结果表明，深度RBF网络可以在短时间内鲁棒地检测到这些攻击，而无需额外的资源需求。
2021-08-23 cs.AI cs.LG
Plug-and-Play Anomaly Detection with Expectation Maximization Filtering
KAIST（韩国科学技术院）
人群中的异常检测能够实现早期救援响应。用于人群监控的即插即用智能摄像机具有与典型异常检测不同的许多约束：训练数据不能迭代使用;没有训练标签;并且训练和分类需要同时执行。我们在本文中解决所有这些限制与我们的方法。我们提出了一个核心异常检测（CAD）神经网络，学习场景中的对象的运动行为与无监督的方法。在标准数据集上平均，与卷积自动编码器和基于卷积LSTM的方法的最佳结果相比，具有单个训练时期的CAD显示曲线下面积（AUC）分别增加了4.66%和4.9%。通过单次训练，与基于卷积LSTM的方法相比，我们的方法将AUC提高了8.03%。我们还提出了一个期望最大化过滤器，选择样本训练的核心异常检测网络。当对视频流进行人群异常检测时，与基于未来帧预测的方法相比，整体框架将AUC提高了24.87%。我们相信我们的工作是使用深度学习方法与自主即插即用智能摄像头进行人群异常检测的第一步。
2020-06-16 cs.CV cs.LG
Improving SIEM for Critical SCADA Water Infrastructures Using Machine Learning
Abertay University（阿伯泰大学）；Naval Academy Research Institute（海军学院研究所）；Middlesex University（密德萨斯大学）
网络控制系统（NAC）已经被用于许多工业过程中。它们旨在减少人为因素的负担，并有效地处理这些系统的复杂流程和通信。监控和数据采集（SCADA）系统用于工业、基础设施和设施过程（例如制造、加工、石油和水管道、建筑通风等）。与其他物联网（IoT）实现一样，SCADA系统容易受到网络攻击，因此，强大的异常检测是一项主要要求。然而，拥有一个准确的异常检测系统并不是一件容易的事情，因为很难区分网络攻击和系统内部故障（例如硬件故障）。在本文中，我们提出了一个模型，检测异常事件的SCADA控制的水系统。六个机器学习技术已被用于建立和评估模型。该模型分类不同的异常事件，包括硬件故障（如传感器故障），破坏和网络攻击（如DoS和欺骗）。与其他检测系统不同，我们建议的工作重点是通知操作员，当发生异常的事件发生的概率。这一补充信息有助于加快缓解进程。该模型使用真实世界的数据集进行训练和测试。
2019-03-06 cs.CR cs.LG
Unsupervised Anomaly Detection for Smart IoT Devices: Performance and Resource Comparison
Department of Electrical and Electronic Engineering（电子与电气工程系）；Bangladesh University of Engineering and Technology（孟加拉工程与技术大学）
本文比较了孤立森林与单类支持向量机在物联网设备中的异常检测性能，发现孤立森林在准确性、精确率、召回率和F1分数上均优于后者，且计算资源消耗更低，更适合资源受限的物联网边缘设备。
2025-11-26 cs.CR cs.LG
Community-based anomaly detection using spectral graph filtering
Universidade Federal de São Paulo (UNIFESP)（圣保罗联邦大学）；Instituto Tecnológico de Aeronáutica (ITA)（航空技术研究所）
一些应用程序具有社区结构，其中相同社区的节点共享相似的属性。网络中异常或离群点检测是一个相关的和广泛研究的研究课题，在各个领域的应用。尽管有大量的异常检测框架，但缺乏同时考虑属性图和网络社区结构的方法。本文提出了一种基于社区的异常检测算法，使用基于谱图的过滤器，包括网络社区结构到拉普拉斯矩阵作为傅立叶变换的基础。此外，滤波器的截止频率的选择考虑社区的数量found. In计算实验中，所提出的策略，称为SpecF，成功地识别即使是离散的异常表现出色。SpecF优于不考虑社区结构的基线，特别是对于社区重叠度较高的网络。此外，我们提出了一个案例研究，以验证所提出的方法来研究COVID-19在巴西圣若泽多斯坎波斯不同地区的传播。
2022-01-24 cs.LG cs.SI
Extending Isolation Forest for Anomaly Detection in Big Data via K-Means
York University（约克大学）；iSecurity Consulting Inc（iSecurity咨询公司）；Dapasoft Inc（Dapasoft公司）
工业信息技术（IT）基础设施往往容易受到网络攻击。为了确保工业环境中计算机系统的安全性，需要建立有效的入侵检测系统来监视网络物理系统（例如，计算机网络）进行恶意活动。本文旨在建立这样的入侵检测系统，以保护计算机网络免受网络攻击。更具体地说，我们提出了一种新的无监督机器学习方法，结合K-Means算法和隔离森林，用于工业大数据场景中的异常检测。由于我们的目标是为工业领域的大数据场景构建入侵检测系统，因此我们利用Apache Spark框架来实现我们提出的模型，该模型在Elasticsearch中存储的大型网络流量数据（约1.23亿网络流量实例）中进行了训练。此外，我们评估我们提出的模型上的实时流媒体数据，发现我们提出的系统可以用于实时异常检测在工业设置。此外，我们还解决了在大型数据集上训练模型时面临的不同挑战，并明确描述了如何解决这些问题。基于我们在现实世界网络流量数据中异常检测的不同用例中的经验评估，我们观察到我们提出的系统可以有效地检测大数据场景中的异常。最后，我们在几个学术数据集上评估了我们提出的模型，并与其他模型进行了比较，发现它提供了与其他最先进方法相当的性能。
2021-04-27 cs.AI cs.CR cs.LG
Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems
Holon Institute of Technology (HIT)（霍隆技术学院）；Afeka Academic College of Engineering（阿法卡工程学院）
研究多模态网络物理系统异常检测，提出联合潜在聚类方法，通过MIIM假设集、公平协议及潜在评分建模正常行为，在三个真实数据集上表现优异，优于其他深度检测器。
2026-08-11 cs.LG
Cyber-Physical Anomaly Detection in IoT-Enabled Smart Grids Using Machine Learning and Metaheuristic Feature Optimization
Department of Mathematical and Computer Sciences, University of Sarajevo（萨拉热窝大学数学与计算机科学系）；Singidunum University（辛吉杜姆大学）；Trinity University（特里尼蒂大学）；Sinergija University（辛格里雅大学）
本文研究了如何利用机器学习和元启发式特征优化方法，在物联网智能电网中检测网络-物理异常，通过评估多个基线模型，发现基于树的集成模型在该数据集上表现最佳，且经过特征优化后，模型在准确率和AUC指标上均有显著提升。
2026-05-21 cs.AI cs.LG
Learning-Based Vulnerability Analysis of Cyber-Physical Systems
Duke University（杜克大学）；University of Florida（佛罗里达大学）
这项工作的重点是使用深度学习的网络物理系统（CPS）的脆弱性分析。具体来说，我们考虑CPS中广泛使用的控制架构（例如，机器人技术），其中低级控制基于例如，扩展卡尔曼滤波器（EKF）和异常检测器。为了便于分析潜在的感知攻击可能产生的影响，我们的目标是开发能够设计最大限度地降低系统运行的隐形攻击的学习攻击发生器。我们展示了如何在一个基于学习的灰盒框架内解决这个问题，其中攻击者知道部分运行时信息，并介绍了两个基于前馈神经网络（FNN）的模型;两个模型都是离线训练的，使用组合了对估计误差的攻击效果和用于异常检测的残留信号的成本函数，使得训练的模型能够实时递归地生成这种有效的传感器攻击。所提出的方法的有效性说明了几个案例研究。
2022-04-07 cs.CR cs.LG cs.SY
AnomalyExplainer Explainable AI for LLM-based anomaly detection using BERTViz and Captum
University of Oulu（奥卢大学）
本研究针对基于LLM的网络安全异常检测存在的信任不足问题，提出结合BERTViz、Captum可视化工具与注意力自然语言报告的AnomalyExplainer框架，在HDFS数据集上RoBERTa准确率达99.6%，可提升异常检测可解释性与网络安全工作效率。
2025-08-26 cs.LG
Quantum Machine Learning for Anomaly Detection in Consumer Electronics
University of Tennessee（田纳西大学）
本文介绍量子机器学习在消费电子异常检测中的应用，提出通用框架并综述监督、无监督和强化学习QML算法，结合五项案例研究展示其有效性。
2024-08-30 cs.AI cs.LG quant-ph
An unsupervised spatiotemporal graphical modeling approach to anomaly detection in distributed CPS
Iowa State University（爱荷华州立大学）
现代分布式网络物理系统（CPS）遇到了各种各样的物理故障和网络异常，在许多情况下，由于子系统之间的强连接性，它们很容易受到灾难性故障传播的影响。本文提出了一种新的数据驱动的框架，系统范围内的异常检测，以解决这些问题。该框架是基于一个时空特征提取计划建立在符号动力学的概念，发现和代表CPS的子系统之间的因果关系的相互作用。提取的时空特征，然后通过限制玻尔兹曼机（RBM）学习系统范围的模式。结果表明：（1）非标称状态下的RBM自由能与标称状态下的RBM自由能不同，可以用于异常检测;（2）该框架可以用一个图模型捕获多个标称模式;（3）仿真数据和集成建筑系统的案例研究验证了该方法的有效性。
2016-05-20 cs.LG
Implementing Active Learning in Cybersecurity: Detecting Anomalies in Redacted Emails
University of Toronto（多伦多大学）；Sun Life Financial Inc.（永明金融有限公司）
对电子邮件异常检测的研究通常依赖于专门准备的数据集，这些数据集可能无法充分反映行业环境中发生的数据类型。在我们的研究中，在一家大型金融服务公司，隐私问题阻止了对电子邮件和附件细节的检查（尽管主题标题和附件文件名是可用的）。这使得在由此产生的编辑电子邮件中标记可能的异常变得更加困难。另一个困难的来源是大量的电子邮件加上资源的稀缺，使得机器学习（ML）成为必要，但也需要更有效的ML模型的人工训练。主动学习（AL）已经被提出作为一种使ML模型的人类训练更有效的方法。然而，由于潜在的人类分析师不确定性，主动学习方法的实施是以人为中心的人工智能挑战，并且在诸如网络安全领域（或医疗保健、航空等）的领域中，标记任务可能进一步复杂化。标签上的错误可能会产生非常不利的后果。在本文中，我们提出的研究成果有关的应用程序的主动学习异常检测在编辑的电子邮件，比较效用不同的方法来实现主动学习在这种情况下。我们评估不同的AL策略及其对模型性能的影响。我们还研究了如何评级的信心，专家在他们的标签可以通知AL。获得的结果进行了讨论，他们的影响AL方法和模型辅助电子邮件异常筛选的专家的作用。
2023-03-03 cs.CR cs.HC cs.LG
Modeling Quantum Autoencoder Trainable Kernel for IoT Anomaly Detection
Quantum Research Group at School of IT, Deakin University（信息学院量子研究组，德堪大学）
本文提出量子自编码器与量子支持向量分类结合的物联网异常检测方法，展示了在当前NISQ设备上的量子优势和实际应用潜力。
2025-11-26 cs.LG quant-ph
CyTReX: Explainable AI-Based Cybersecurity Threat Reasoning Framework for DER Networks
Iowa State University（爱荷华州立大学）
针对DER网络，提出基于证据的威胁推理框架CyTReX，利用结构化证据包约束LLM推理，将异常警报转化为可追溯的排序威胁假设，支持SOC分诊，提升假设特异性和分析基础性。
2026-10-06 cs.AI cs.CR cs.LG
LATTE: LSTM Self-Attention based Anomaly Detection in Embedded Automotive Platforms
Colorado State University（科罗拉多州立大学）
现代汽车可以被认为是复杂的分布式嵌入式系统，运行各种具有实时约束的汽车应用程序。汽车工业中朝向更大自主性的最新进展正在驱动车辆越来越多地与各种外部系统（例如，路边信标，其他车辆），这使得新兴车辆非常容易受到网络攻击。此外，汽车应用和车载网络的复杂性增加导致攻击可见性差，这使得在汽车系统中检测此类攻击特别具有挑战性。在这项工作中，我们提出了一种新的异常检测框架，称为LATTE检测网络攻击的控制器局域网（CAN）为基础的网络在汽车平台。我们提出的LATTE框架使用堆叠的长短期记忆（LSTM）预测器网络，具有新颖的注意力机制，以在设计时学习正常的操作行为。随后，一种新的检测方案（也在设计时训练）用于在运行时检测各种网络攻击（作为异常）。我们在不同的汽车攻击场景下评估了我们提出的LATTE框架，并与该领域最知名的先前作品进行了详细的比较，以展示我们方法的潜力。
2021-07-12 cs.DC cs.LG cs.SY
Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study
SparkCognition Research（SparkCognition研究院）
本文提出一种基于序列模式相似度的快速高效异常检测与告警过滤方法，解决了传统时间依赖模型计算成本高且难训练的问题，并在大规模工业系统与公开数据集上验证了其有效性、通用性及鲁棒性。
2024-05-24 cs.LG eess.SP
Self-Supervised and Interpretable Anomaly Detection using Network Transformers
Virginia Commonwealth University（弗吉尼亚联邦大学）；Idaho National Laboratory（爱达荷国家实验室）
监控计算机网络中的流量是保护关键基础设施免受网络攻击的核心方法之一。机器学习（ML）和深度神经网络（DNN）在过去已经被提出作为识别计算机网络中异常的工具。虽然检测到这些异常提供了攻击的指示，但是仅仅检测到异常并不足以让用户理解异常。现成ML模型的黑盒性质阻止了提取重要信息，这些信息对于隔离故障/攻击源并采取纠正措施至关重要。在本文中，我们介绍了网络Transformer（NeT），DNN模型的异常检测，结合了通信网络的图形结构，以提高可解释性。所提出的方法具有以下优点：1）通过结合计算机网络的图结构来增强可解释性; 2）提供分层特征集，其使得能够在不同粒度级别进行分析; 3）不需要标记数据的自监督训练。所提出的方法进行了测试，通过评估在工业控制系统（ICS）的异常的成功检测。所提出的方法成功地识别了异常、受影响的设备以及导致异常的特定连接，提供了一种数据驱动的分层方法来分析网络行为。
2022-02-25 cs.AI cs.CR cs.LG
EPASAD: Ellipsoid decision boundary based Process-Aware Stealthy Attack Detector
IIT Kanpur（印度理工学院坎普尔分校）
由于关键基础设施（CI）在国家经济中的重要性，它们一直是网络攻击者有利可图的目标。这些关键基础设施通常是网络物理系统（CPS），如电网，水和污水处理设施，石油和天然气管道等，近年来，这些系统多次遭受网络攻击。研究人员一直在为CI开发网络安全解决方案，以避免持久的损害。根据标准框架，基于识别、保护、检测、响应和恢复的网络安全是这些研究的核心。检测正在进行的攻击，逃避标准的保护，如防火墙，防病毒和主机/网络入侵检测已经变得越来越重要，因为这种攻击最终会影响系统的物理动态。因此，物理动力学中的异常检测被证明是实现纵深防御的有效手段。PASAD是传感器/致动器数据中的异常检测的一个示例，其表示这样的系统的物理动态。我们提出了EPASAD，它改进了PASAD中使用的检测技术来检测这些微隐身攻击，因为我们的实验表明，PASAD的基于球形边界的检测无法检测到。我们的方法EPASAD通过使用椭球边界克服了这一点，从而在各个维度上收紧边界，而球形边界平等地对待所有维度。我们验证EPASAD使用的数据集产生的TE过程模拟器和C-town数据集。实验结果表明，EPASAD在两个数据集上分别使PASAD的平均召回率提高了5.8%和9.5%。
2022-04-08 cs.CR cs.LG
Multi-Perspective Content Delivery Networks Security Framework Using Optimized Unsupervised Anomaly Detection
Western University（韦仕敦大学）；Ericsson（爱立信）
内容分发网络（CDN）通过互联网提供高效的内容分发。CDN提高了全球通信的连通性和效率，但其缓存机制可能会被网络攻击者破坏。在安全机制中，有效的异常检测是CDN安全增强的重要组成部分。在这项工作中，我们提出了一个多角度的无监督学习框架的CDN异常检测。在该框架中，提出了一种多视角的特征工程方法、一种利用隔离森林和高斯混合模型的优化无监督异常检测模型以及一种多视角的验证方法，主要从客户端IP和节点的角度检测CDN中的异常行为，从而识别拒绝服务（DoS）和缓存污染攻击（CPA）模式。实验结果是基于一个主要的CDN运营商提供的八天的真实世界的CDN日志数据的分析。实验结果表明，该框架能够有效识别异常内容、入侵节点、恶意IP及其对应的攻击类型，并得到多位网络安全专家的验证。这表明了所提出的方法在应用于现实世界的CDN数据时的有效性。
2021-07-24 cs.AI cs.CR cs.LG
LogPurge: Log Data Purification for Anomaly Detection via Rule-Enhanced Filtering
Nankai University（南开大学）；Huawei（华为）；Tsinghua University（清华大学）
针对日志异常检测中干净训练数据获取成本高、现有自动清洗方法未结合日志特性的问题，提出规则增强的两阶段过滤净化框架LogPurge，在多数据集上实现了更优的异常净化与检测性能。
2025-11-18 cs.LG cs.SE
Leveraging Conversational Generative AI for Anomaly Detection in Digital Substations
University of Michigan – Dearborn（密歇根大学迪尔伯恩分校）；National Renewable Energy Laboratory (NREL)（国家可再生能源实验室）
本研究针对数字变电站网络安全挑战，提出基于生成式AI的面向任务对话系统，用于GOOSE和SV数据集的异常检测，相比传统HITL流程和ML技术，在错误减少、效率等方面更优，提升电力系统可靠性。
2024-11-09 cs.LG cs.SY eess.SP
