A Method for Network Intrusion Detection Using Flow Sequence and BERT Framework
本文提出一种结合流序列与 BERT 框架的网络入侵检测方法，利用自然语言处理技术对数据进行上下文建模，有效提升了系统在真实环境中的领域适应能力，为构建鲁棒的入侵检测系统提供了新方法。
2023-10-26 cs.CR
SPON: Enabling Resilient Inter-Ledgers Payments with an Intrusion-Tolerant Overlay
支付系统是我们社会日常生活的重要组成部分。虽然在许多情况下，支付仍然缓慢、不透明、孤立、昂贵甚至失败，但用户希望它们快速、透明、便宜、可靠和全球化。分布式账本等最新技术为近实时、更便宜和更透明的支付创造了机会。然而，为了实现全球支付系统，支付不仅应该在一个分类账内进行，而且还应该在不同的分类账和地理位置之间进行。在本文中，我们提出了覆盖网络安全支付（SPON），这是一种通过将Interledger协议提供的交易交换与中继节点的入侵容忍覆盖相结合来实现跨多个分类账的全球支付的服务，以实现（1）改善支付延迟，（2）对节点故障和网络分区等良性故障的容错，以及（3）对BGP劫持攻击的弹性。我们讨论了设计目标，并提出了一个基于Interledger协议和Spines覆盖网络的实现。我们分析了SPON的弹性，并通过实验评估证明，它能够改善支付延迟，从路径中断中恢复，抵御网络分区攻击，并在多个分类账中公平地传播支付。我们还展示了如何部署SPON，使不同账本之间的通信能够抵御BGP劫持攻击。
2021-11-03 cs.CR
Adaptive Pruning of Deep Neural Networks for Resource-Aware Embedded Intrusion Detection on the Edge
Computer Science University of Massachusetts Dartmouth（计算机科学大学马萨诸塞大学达特茅斯分校）；United States Military Academy（美国军事学院）；University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）
本研究针对边缘嵌入式入侵检测场景，测试多种神经网络剪枝方法在更简单网络和新网络安全数据集上的泛化表现，发现多数方法效果不佳，仅少数适配该任务。
2025-05-20 cs.CR cs.LG
Generating Labeled Flow Data from MAWILab Traces for Network Intrusion Detection
在现代网络世界中，一个日益严重的问题是直接识别网络连接上的恶意活动。机器学习行业在过去几年中的蓬勃发展导致机器学习技术的使用越来越多，这在网络入侵检测研究社区中尤其普遍。在利用这些相当现代的技术时，社区已经意识到数据集对于识别恶意数据包和连接至关重要，特别是与标签相关的信息，以构建学习模型。然而，网络入侵检测社区的研究人员缺乏公开可用的相关数据集。因此，在本文中，我们介绍了一种方法来构建标记流数据相结合的数据包元信息与IDS日志来推断标签的入侵检测研究。具体来说，我们设计了一个NetFlow兼容的格式，因为大量的网络设备，如路由器和交换机，从原始流量导出NetFlow记录的能力。在这样做的过程中，所介绍的方法将帮助研究人员访问相关的网络流数据集以及标签信息。
2018-10-03 cs.CR cs.NI
ECU Identification using Neural Network Classification and Hyperparameter Tuning
University of Michigan Dearborn（密歇根大学迪尔伯恩分校）
控制器局域网（CAN）协议的入侵检测需要现代的方法，以与其他电气体系结构的竞争。指纹入侵检测系统为解决这一问题提供了一种新的途径。通过表征来自已知ECU的网络流量，可以区分危险消息。在这篇文章中，一个修改后的版本的指纹入侵检测系统是利用阶跃响应和频谱特性的网络流量通过神经网络训练。通过特征集缩减和超参数调整，该方法实现了99.4%的可信ECU流量检测率。
2022-08-22 cs.CR cs.LG
A hybrid feature selection for network intrusion detection systems: Central points
网络入侵检测系统是识别计算机网络面临的威胁的一个活跃的研究领域。网络数据包包含高维度，需要大量的工作才能有效地进行检查。由于这些维度包含一些不相关的特征，因此它们会导致较高的虚警率（FAR）。本文提出了一种基于属性值中心点的混合特征选择方法和一种关联规则挖掘算法，以降低误识率。该算法被设计为在很短的处理时间内实现，由于其依赖于中心点的特征值与分区数据记录成相等的部分。该算法应用于UNSW-NB 15和NSLKDD数据集，以采用排名最高的特征。一些现有的技术被用来测量精度和FAR。实验结果表明，该模型能有效地提高识别精度，降低误检率。此外，其处理时间极短。
2017-07-18 cs.CR
Transformer-Empowered Actor-Critic Reinforcement Learning for Sequence-Aware Service Function Chain Partitioning
University of Amsterdam（阿姆斯特丹大学）
本文提出基于Transformer的Actor-Critic框架，用于序列感知的服务函数链划分，通过自注意力机制建模VNF间复杂依赖，提升决策协调性与收敛性，实验表明在长期服务接受率、资源利用率和可扩展性方面优于现有方法。
2026-07-13 cs.AI cs.LG cs.NE
Packet2Vec: Utilizing Word2Vec for Feature Extraction in Packet Data
Sandia National Laboratories（桑迪亚国家实验室）
深度学习的一个有吸引力的好处是能够从大部分原始数据中自动提取目标问题的相关特征，而不是利用人工工程和容易出错的手工特征。虽然深度学习在图像分类和自然语言处理等领域取得了成功，但其在原始网络数据包数据的特征提取以进行入侵检测方面的应用在很大程度上尚未开发。在本文中，我们修改了Word 2 Vec的方法，用于文本处理，并将其应用到数据包的自动特征提取。我们称这种方法为Packet 2 Vec。对于2009年DARPA网络数据集上的良性流量与恶意流量的分类任务，我们获得了0.988-0.996之间的受试者工作特征（ROC）的曲线下面积（AUC）和0.604-0.667之间的精确度/召回率曲线的AUC。
2020-04-29 cs.CR cs.LG
Integrated LLM-Based Intrusion Detection with Secure Slicing xApp for Securing O-RAN-Enabled Wireless Network Deployments
Mississippi State University（密西西比州立大学）
本文针对O-RAN架构扩大威胁面的安全问题，提出一种基于LLM的入侵检测框架，利用UE时间流量模式生成安全建议，并通过实验对比微调与非微调模型验证了其有效性。
2025-04-01 cs.AI cs.CR cs.SY
Novel Sensor Scheduling Scheme for Intruder Tracking in Energy Efficient Sensor Networks
Department of Computer Science and Automation, Indian Institute of Science（计算机科学与自动化系，印度科学研究院）
本文提出基于POMDP的强化学习算法，用于在能量受限下高效跟踪入侵者，通过UCT方法实现状态和动作空间的扩展，验证了算法在大规模问题中的有效性。
2018-02-24 cs.AI cs.SY eess.SY
Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis
Purdue University（普渡大学）；Mississippi State University（密西西比州立大学）
提出一种结合自注意力机制与RNN自编码器的模型，用于5G网络波形级频谱异常检测，在SDR测试平台上实现高效准确的实时威胁识别。
2024-11-05 cs.AI cs.CR cs.LG
Anomaly Detection in IEC-61850 GOOSE Networks: Evaluating Unsupervised and Temporal Learning for Real-Time Intrusion Detection
Computer Science（计算机科学）；Boise State University（博伊西州立大学）；Boise, Idaho USA（爱达荷州博伊西市）
本文评估了无监督时间建模在GOOSE网络异常检测中的有效性，比较了四种模型在ERE NO数据集上的性能，发现GRU在准确率与延迟之间取得最佳平衡，支持无监督时间模型在实时入侵检测中的应用。
2026-04-14 cs.CR cs.LG
Collaborative Feature Maps of Networks and Hosts for AI-driven Intrusion Detection
本文提出整合网络流与主机日志的CIDS数据集构建框架、SCVIC-CIDS-2021数据集及transformer模型CIDS-Net，显著提升入侵检测性能。
2022-08-10 cs.CR
Toward Autonomous and Efficient Cybersecurity: A Multi-Objective AutoML-based Intrusion Detection System
Faculty of Business and Information Technology, Ontario Tech University（业务与信息科技学院，安大略技术大学）；Department of Electrical and Computer Engineering, Western University（电气与计算机工程系，西部大学）
针对网络安全威胁复杂及IoT设备资源受限问题，提出集成OIP-AutoFS和OPCE-CASH技术的MOO-AutoML IDS，在两基准数据集上优于现有IDS，为自主高效网络安全提供新基准。
2025-11-11 cs.CR cs.LG cs.NI
Performance evaluation of Machine learning algorithms for Intrusion Detection System
本文基于KDD CUP-'99'数据集评估多种机器学习分类器在入侵检测中的表现，并使用准确率、精确率、召回率和F1度量比较其性能。
2023-10-01 cs.CR
Homomorphic Encryption-Enabled Federated Learning for Privacy-Preserving Intrusion Detection in Resource-Constrained IoV Networks
本文提出一种基于同态加密的联邦学习框架，通过允许服务器直接在量子安全密文上计算，解决了资源受限车联网中入侵检测系统面临的数据卸载隐私与计算瓶颈，性能逼近无加密方案。
2024-07-26 cs.CR
The Value of Spike Timing: A Leakage-Resistant Benchmark of SNN Design Choices for Network Intrusion Detection
University of California, Berkeley（加州大学伯克利分校）
通过消融实验评估9种神经元模型与3种脉冲编码方案的27种组合，发现延迟编码优于速率和增量编码，且LeakyParallel神经元结合延迟编码在四个基准数据集上平均准确率92.11%，宏F1 0.80，假阳性率2.01%，推理速度最快。
2026-10-14 cs.AI cs.CR cs.NE
Genos: General In-Network Unsupervised Intrusion Detection by Rule Extraction
Genos提出一种基于规则提取的通用网内无监督入侵检测框架，通过分而治之的规则提取、预测解释和增量调试，在可编程交换机上实现100 Gbps线速检测并降低维护成本。
2024-03-28 cs.CR cs.NI
A Deep Learning Approach to Create DNS Amplification Attacks
近年来，深度学习已被证明是网络安全领域一个非常有价值的工具，因为它可以帮助网络入侵检测系统对攻击进行分类并检测新的攻击。对抗性学习是利用机器学习来生成一组扰动输入，然后将其馈送到神经网络进行错误分类的过程。目前对抗性学习领域的大部分工作都是在图像处理和自然语言处理中使用各种算法进行的。有两种算法是对深度神经网络的弹性网络攻击和文本攻击。在我们的实验中，EAD和TextAttack算法被应用到一个域名系统放大分类器。该算法用于生成恶意分布式拒绝服务对抗示例，然后作为输入馈送到网络入侵检测系统神经网络，以将其分类为有效流量。在这项工作中，我们表明，图像处理和自然语言处理对抗学习算法可以应用于对网络入侵检测神经网络。
2022-06-29 cs.CR
Utilizing Deep Learning for Enhancing Network Resilience in Finance
Northern Arizona University（北亚利桑那大学）；Miami University（迈阿密大学）；Virginia Tech（弗吉尼亚理工大学）；Northeastern University（东北大学）；University of Southern California（南加州大学）
针对传统规则与机器学习方法在大规模数据及未知风险下检测准确率下降的问题，本文提出利用深度学习进行高级威胁检测，以增强金融行业的网络防护措施。
2024-02-18 cs.AI cs.CR cs.LG
Use Dimensionality Reduction and SVM Methods to Increase the Penetration Rate of Computer Networks
Polytechnic University of Milan（米兰理工大学）
在当今世界，计算机网络具有非常重要的地位，大多数城市和国家的基础设施以及组织都是由计算机网络管理的，因此，这些系统的安全性对有计划的攻击是非常重要的。因此，研究人员一直试图找到这些漏洞，以便在确定渗透系统的方法后，通过预防或对策提供系统保护。支持向量机是入侵检测的主要算法之一。在本研究中，我们研究了各种恶意软件和入侵检测的方法，提供了一种有效的方法来检测攻击和利用降维，因此，我们将能够检测攻击仔细结合这两种算法和预处理，这是在输入数据执行之前。所提出的主要问题是，我们如何能够用上述方法识别对计算机网络的攻击。在异常诊断方法中，通过将行为识别为用户、主机或整个系统的正常行为，任何偏离该行为的行为都被认为是异常行为，这可能是攻击的潜在发生。该网络入侵检测系统采用的是异常检测方法，该方法采用SVM算法进行分类，并通过奇异值分解来减小规模。该方法包括数据预处理、特征选择、支持向量机和评价等步骤，并利用NSL-KDD数据集进行了教学和测试。在本文中，我们推导出了基于SVM分类算法和SVD降维算法的入侵检测算法，并对KNN算法在降维和不降维两种情况下的性能进行了比较，结果表明该方法具有更好的性能。
2018-12-13 cs.CR cs.LG stat.ML
Utilizing XAI technique to improve autoencoder based model for computer network anomaly detection with shapley additive explanation(SHAP)
Aligarh Muslim University（阿里格尔穆斯林大学）
机器学习（ML）和深度学习（DL）方法正在迅速被采用，特别是在计算机网络安全领域，如欺诈检测、网络异常检测、入侵检测等。然而，基于ML和DL的模型缺乏透明度是其实施的主要障碍，并因其黑箱性质而受到批评，即使有如此巨大的结果。可解释人工智能（XAI）是一个很有前途的领域，可以通过给出解释和解释其输出来提高这些模型的可信度。如果基于ML和DL的模型的内部工作是可以理解的，那么它可以进一步帮助提高其性能。本文的目的是展示如何使用XAI来解释DL模型的结果，在这种情况下是自动编码器。并在此基础上改进了其在计算机网络异常检测中的性能。基于Shapley值的核SHAP方法是一种新的特征选择方法。此方法用于仅识别实际上导致攻击/异常实例集合的异常行为的那些特征。稍后，这些特征集用于训练和验证自动编码器，但仅在良性数据上。最后，通过与基于特征选择方法的两种模型的比较，验证了所建模型的有效性。整个实验是在最新的CICIDS 2017网络数据集的子集上进行的。SHAP_Model的总体准确度和AUC分别为94%和0.969。
2021-12-14 cs.AI cs.CR cs.LG
Enhancing Automata Learning with Statistical Machine Learning: A Network Security Case Study
针对现有自动机学习无法直接处理网络流量数值数据的问题，提出结合可解释ML的数值区间抽象方法，在商用入侵检测系统上实现状态转移数大减、准确率提升，助力系统安全验证与行为探索。
2024-07-13 cs.CR cs.SE
A Hybrid Intrusion Detection System for Electric Vehicle Charging Infrastructure
Fraunhofer Institute for Applied Information Technology（弗劳恩霍夫应用信息技术研究所）；RWTH Aachen University（亚琛工业大学）
提出一种混合入侵检测系统，结合网络和主机检测层，利用CICEVSE2024数据集对多种攻击进行多分类，网络检测准确率达99.99%，主机检测达83.47%，优于单源检测方法。
2026-08-24 cs.CR cs.SY eess.SY
