The Cross-evaluation of Machine Learning-based Network Intrusion Detection Systems
University of Liechtenstein(列支敦士登大学);University of Padua(帕多瓦大学);TU Delft(代尔夫特理工大学)
用有监督的机器学习(ML)增强网络入侵检测系统(NIDS)是一项艰巨的任务。ML-NIDS必须经过培训和评估,操作需要明确标记良性和恶意样本的数据。这样的标签需要昂贵的专业知识,导致缺乏真正的部署,以及论文总是依赖于相同的过时数据。最近情况有所改善,因为一些努力披露了他们的标记数据集。然而,大多数过去的作品使用这样的数据集只是作为一个“又一个”测试平台,忽略了这种可用性提供的额外潜力。相比之下,我们提倡使用这种现有的标记数据来交叉评估ML-NIDS。这种方法只得到有限的注意,由于其复杂性,需要专门处理。因此,我们提出了第一个交叉评估模型。我们的模型突出了更广泛的现实用例,可以通过交叉评估进行评估,允许发现最先进的ML-NIDS的未知品质。例如,它们的检测表面可以扩展-而不需要额外的标签费用。然而,进行这种交叉评价具有挑战性。因此,我们提出了第一个框架,XeNIDS,可靠的交叉评估的基础上网络流。通过在六个知名数据集上使用XeNIDS,我们展示了ML-NIDS交叉评估的隐藏潜力和风险。
2022-03-09 cs.CR cs.LG cs.NI
Network Intrusion Detection System in a Light Bulb
University of Queensland(昆士兰大学)
物联网(IoT)设备正逐步用于各种边缘应用,以监控和控制家庭和工业基础设施。由于计算和能源资源有限,许多物联网设备的主动安全保护通常很少。这就产生了一个关键的安全挑战,引起了网络安全领域研究人员的关注。尽管提出了大量的网络入侵检测系统(NIDS),但对实际物联网实现的研究有限,据我们所知,没有基于边缘的NIDS被证明可以在大多数物联网设备(如ESP8266)中常见的低功耗芯片组上运行。本研究旨在通过推动基于低功耗机器学习(ML)的NIDS的边界来解决这一差距。我们提出并开发了一个高效、低功耗的基于ML的NIDS,并通过在典型的智能灯泡上运行它来证明它对物联网边缘应用的适用性。我们还评估了我们的系统与其他提出的基于边缘的NIDS,并表明我们的模型具有更高的检测性能,并且速度更快,体积更小,因此更适用于更广泛的物联网边缘设备。
2022-10-06 cs.CR cs.DC cs.LG
A Low-Cost Machine Learning Based Network Intrusion Detection System with Data Privacy Preservation
网络入侵是网络安全的一个研究领域。当前基于机器学习的网络入侵检测系统(NIDS)监视网络数据和这些数据内的模式,但代价是在可能威胁最终用户隐私的隐私侵犯方面存在重大问题。因此,为了降低风险并保持安全性和隐私性之间的平衡,必须保护与入侵数据有关的用户隐私。此外,成本是基于机器学习的NIDS的驱动因素,因为这种系统越来越多地部署在资源有限的边缘设备上。为了解决这些问题,在本文中,我们提出了一个NIDS称为PCC-LSM-NIDS,它是由一个基于皮尔逊相关系数(PCC)的特征选择算法和最小二乘法(LSM)的隐私保护算法,以实现低成本的入侵检测,同时提供敏感数据的隐私保护。提出的PCC-LSM-NIDS测试的基准入侵数据库UNSW-NB 15,使用五个流行的分类。实验结果表明,所提出的PCC-LSM-NIDS提供的优势,在更少的计算时间,同时提供了适当程度的隐私保护。
2021-07-06 cs.CR
A Novel Approach To Network Intrusion Detection System Using Deep Learning For Sdn: Futuristic Approach
Karabük University(卡拉比克大学)
软件定义网络(SDN)是改变传统网络架构的下一代网络。SDN是改变互联网网络架构的有前途的解决方案之一。由于SDN架构的集中化性质,攻击变得更加常见。为SDN提供安全性至关重要。在这项研究中,我们提出了一个网络入侵检测系统-深度学习模块(NIDS-DL)的方法在SDN的上下文中。我们建议的方法结合了网络入侵检测系统(NIDS)与许多类型的深度学习算法。我们的方法采用了12个特征提取的41个特征在NSL-KDD数据集使用特征选择方法。我们使用了分类器(CNN、DNN、RNN、LSTM和GRU)。当我们比较分类器得分时,我们的技术分别产生了(98.63%,98.53%,98.13%,98.04%和97.78%)的准确率结果。我们的新方法(NIDS-DL)的新颖性使用了5个深度学习分类器,并对数据集进行了预处理,以获得最佳结果。我们提出的方法是成功的二进制分类和检测攻击,这意味着我们的方法(NIDS-DL)可能会在未来使用的效率很高。
2022-08-03 cs.AI cs.CR cs.LG
A Defensive Framework Against Adversarial Attacks on Machine Learning-Based Network Intrusion Detection Systems
Boston University(波士顿大学)
针对基于机器学习的网络入侵检测系统易受对抗规避攻击的问题,提出整合多种技术的防御框架,经数据集验证在对抗条件下检测准确率提升、误报率降低,推动其实际部署。
2025-02-21 cs.CR cs.LG
TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack
Ben Gurion University of the Negev(内盖夫本-古里安大学);Nanyang Technological University(南洋理工大学)
网络入侵攻击是一种已知的威胁。为了检测这种攻击,已经开发和部署了网络入侵检测系统(NIDS)。这些系统将机器学习模型应用于从网络流量中提取的高维特征向量,以检测入侵。NIDS的进步使攻击者面临挑战,他们必须在不被这些系统检测到的情况下执行攻击。以前关于绕过NIDS的研究主要集中在干扰从攻击流量中提取的特征以欺骗检测系统,然而,这可能会危及攻击的功能。在这项工作中,我们提出了TANTRA,一种新的端到端的基于定时的对抗性网络流量整形攻击,可以绕过各种NIDS。我们的规避攻击利用了一个长短期记忆(LSTM)深度神经网络(DNN),该网络经过训练,可以学习目标网络良性数据包之间的时间差。经过训练的LSTM用于设置恶意流量数据包(攻击)之间的时间差,而不改变它们的内容,这样它们就像良性网络流量一样“表现”,并且不会被检测为入侵。我们评估TANTRA对八种常见的入侵攻击和三个国家的最先进的NIDS系统,实现了平均成功率为99.99%的网络入侵检测系统规避。我们还提出了一种新的缓解技术来解决这种新的逃避攻击。
2021-03-10 cs.CR cs.LG
A Network Intrusions Detection System based on a Quantum Bio Inspired Algorithm
网络入侵检测系统(NIDS)的作用是通过监测网络行为来识别恶意活动。由于目前大量的网络流量,除了增加的攻击数量和它们的动态特性,NIDS的挑战,提高其分类性能。利用生物启发优化算法(BIO)自动提取正常行为和异常行为的判别规则,提高NIDS的分类精度和检测能力。提出了一种基于量子疫苗免疫克隆算法和分布估计算法的网络入侵检测系统。该算法被用作新的NIDS的分类算法,它是使用KDD数据集进行训练和测试。此外,新的NIDS与另一种基于粒子群优化(PSO)的检测系统进行了比较。实验结果表明,该算法具有较高的入侵分类准确率,最高准确率达到94.8%。
2014-05-03 cs.CR cs.NE
Temporal Analysis of NetFlow Datasets for Network Intrusion Detection Systems
本文研究了用于基于机器学习的网络入侵检测系统(NIDS)的NetFlow数据集的时序分析,通过创建并公开可用包含时序特征的NetFlow数据集,提供了对数据集的全面时序分析,并测试了时间频率信号表示对不同攻击的识别效果。
2026-09-01 cs.CR cs.LG cs.NI
Large Language Models for Network Intrusion Detection Systems: Foundations, Implementations, and Future Directions
Department of Electrical and Electronic Engineering, The University of Hong Kong(香港大学电子与电气工程系);Department of Electronic Engineering, Tsinghua University(清华大学电子工程系);National Institute of Health Data Science, Peking University(北京大学健康数据科学国家研究院);Data Science and Analytics Thrust, Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)数据科学与分析方向)
本文研究大语言模型(LLMs)在网络入侵检测系统(NIDS)中的应用潜力,对比智能与认知NIDS的差异,提出LLM为中心的Controller概念,分析挑战与机遇以推动下一代网络安全系统发展。
2025-07-07 cs.AI cs.CR cs.NI
Exploring the Effect of DNN Depth on Adversarial Attacks in Network Intrusion Detection Systems
Computer Engineering Carleton University Ottawa, Canada(计算机工程 卡尔顿大学渥太华加拿大);School of Information Technology Carleton University Ottawa, Canada(信息科技学院 卡尔顿大学渥太华加拿大)
本文研究NIDS领域中DNN深度对对抗攻击鲁棒性的影响,发现增加层数反而可能显著降低NIDS中DNN的对抗鲁棒性,而在计算机视觉领域影响较温和,为鲁棒NIDS模型开发提供指导。
2025-10-22 cs.CR cs.LG
Practical Performance of a Distributed Processing Framework for Machine-Learning-based NIDS
Toyohashi University of Technology(丰桥技术科学大学);Information and Media Center(信息与媒体中心)
本研究基于分布式流处理框架实现五种机器学习分类器用于网络入侵检测,评估其吞吐量和延迟,并分析性能差异与瓶颈。
2024-05-20 cs.CR cs.DC 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
Multi-Stage Optimized Machine Learning Framework for Network Intrusion Detection
University of Western Ontario(西安大略大学);University of Sharjah(沙迦大学)
由于个人和组织对互联网的依赖性增加,以及他们对其在线活动的安全和隐私的关注,网络安全受到了极大的关注。已经开发了几种先前的基于机器学习(ML)的网络入侵检测系统(NIDS)来防止恶意在线行为。本文提出了一种新的多级优化ML的NIDS框架,降低了计算复杂性,同时保持其检测性能。研究了过采样技术对模型训练样本量的影响,确定了最小的合适训练样本量。比较了基于信息增益和基于相关性的两种特征选择技术,探讨了它们对检测性能和时间复杂度的影响。此外,不同的ML超参数优化技术进行了研究,以提高NIDS的性能。使用两个最近的入侵检测数据集,CICIDS 2017和UNSW-NB 2015数据集评估了所提出的框架的性能。实验结果表明,该模型显著减少了所需的训练样本量(高达74%)和特征集大小(高达50%)。此外,模型性能通过超参数优化得到增强,两个数据集的检测准确率均超过99%,比最近的文献工作高出1 - 2%的准确率和1 - 2%的误报率。
2020-08-09 cs.CR cs.LG cs.NI
On Generalisability of Machine Learning-based Network Intrusion Detection Systems
University of Queensland(昆士兰大学)
本研究通过评估七种监督与无监督模型在四个基准数据集上的表现,发现基于ML的NIDSs泛化性差且不对称,无监督方法更优,SHAP分析揭示特征与类别对应关系缺失是主因。
2022-05-09 cs.CR cs.LG cs.NI
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
Network Intrusion Datasets: A Survey, Limitations, and Recommendations
本文系统综述89个网络入侵检测数据集,从13个属性对比分析,并讨论局限性与流行度,提出数据集选择、生成和使用的最佳实践,以提升数据质量与NIDS鲁棒性。
2025-05-22 cs.CR cs.NI
eX-NIDS: A Framework for Explainable Network Intrusion Detection Leveraging Large Language Models
School of Information Technology and Electrical Engineering, University of Queensland(信息科技与电气工程学院,昆士兰大学)
本文提出eX-NIDS框架,通过大语言模型增强基于流的NIDS可解释性,经Prompt Augmenter模块提取上下文与CTI知识生成解释,评估显示其比基线性能提升超20%。
2025-07-22 cs.AI cs.CR
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
FedDef: Defense Against Gradient Leakage in Federated Learning-based Network Intrusion Detection Systems
Tsinghua University(清华大学)
本文针对联邦学习网络入侵检测系统中的梯度泄露风险,提出隐私评估指标和基于优化的输入扰动防御策略FedDef,在保持模型精度的同时显著提升隐私保护能力。
2023-08-02 cs.CR cs.LG
A Hypergraph-Based Machine Learning Ensemble Network Intrusion Detection System
National Intelligence University(国家情报大学);Army Cyber Institute, United States Military Academy(美国陆军军事学院陆军网络研究所)
本文提出基于IP地址与目的端口超图特征的三模型集成ML NIDS,通过更新规则和阈值触发实时重训练,在40个场景及CIC-IDS2017上实现近100%检测性能。
2024-09-06 cs.AI cs.CR cs.SY
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 Novel Deep Learning based Model to Defend Network Intrusion Detection System against Adversarial Attacks
Bharati Vidyapeeth's Institute of Computer Applications and Management(巴拉蒂·维德亚佩特计算机应用与管理学院);Aligarh Muslim University(阿里格尔穆斯林大学)
本研究针对基于深度学习的网络入侵检测系统(NIDS)易受对抗性攻击的问题,实现了FGSM、JSMA、PGD和C&W四种对抗攻击方法,并采用对抗训练作为防御手段,利用CICIDS-2017数据集在攻击前后及防御后三个阶段评估了模型性能。
2023-07-31 cs.AI cs.CR cs.LG
Enhancing Network Intrusion Detection Performance using Generative Adversarial Networks
针对NIDS机器学习模型受入侵技术演变及训练样本稀缺限制的问题,本研究提出整合三种GAN模型生成合成异常流量数据以增强训练集,经CIC-IDS2017数据集实验验证,该方法可提升数据稀缺攻击的检测性能,为强化组织网络安全提供新方向。
2024-04-11 cs.CR
RNNIDS: Enhancing Network Intrusion Detection Systems through Deep Learning
通过互联网传递的信息的安全性受到当今最先进的恶意软件的威胁,从精心策划的僵尸网络到简单的多态蠕虫。作为零日攻击的例子,这些威胁能够在其存在的早期阶段多次改变其行为,以绕过网络入侵检测系统(NIDS)。事实上,即使是精心设计的,并经常更新的基于签名的NIDS不能检测零日对待由于缺乏足够的签名数据库,适应智能攻击在互联网上。更重要的是,有了NIDS,它应该在恶意流量数据集上进行测试,这些恶意流量数据集不仅代表已知的攻击,而且还可以在一定程度上反映未知的零日攻击的特征。产生这样的流量在文献中被确定为评估NIDS的有效性的主要障碍之一。为了解决这些问题,我们引入了RNNIDS,它应用递归神经网络(RNN)来发现攻击中的复杂模式并生成类似的模式。在这方面,我们首次证明了RNN有助于生成新的、看不见的攻击突变体以及来自最先进恶意软件的合成签名,以提高入侵检测率。此外,为了进一步增强NIDS的设计,可以使用RNN来生成恶意数据集,例如,恶意软件的隐形变种为了评估我们的方法的可行性,我们进行了广泛的实验,将公开可用的数据集,在那里我们表现出相当大的改善,在一个现成的NIDS的检测率(高达16.67%)。
2020-12-21 cs.CR
Towards Explainable Network Intrusion Detection using Large Language Models
The University of Queensland(昆士兰大学)
本文研究大型语言模型(如GPT-4、LLama3)用于网络入侵检测系统(NIDS)的可行性,通过与传统模型比较,发现其虽不适合直接检测恶意NetFlows,但结合RAG和函数调用可作为互补智能体辅助解释与威胁响应。
2024-08-08 cs.AI cs.CR cs.NI
SoK: Reshaping Research on Network Intrusion Detection Systems
University of Liechtenstein(列支敦士登大学);Reykjavik University(雷克雅未克大学)
本文通过反思网络入侵检测系统(NIDS)的研究现状,指出其内在特性被误解的问题,并提出改进建议,旨在重塑NIDS研究方向。
2026-04-19 cs.CR
Bridging the gap to real-world for network intrusion detection systems with data-centric approach
Aeronautics Institute of Technology(航空技术学院);Federal University of Minas Gerais(米纳斯吉拉斯联邦大学)
大多数使用机器学习(ML)进行网络入侵检测系统(NIDS)的研究都使用了成熟的数据集,如KDD-CUP 99,NSL-KDD,UNSW-NB 15和CICIDS-2017。在这种情况下,探讨了机器学习技术的可能性,旨在与已发布的基线(以模型为中心的方法)相比,改进指标。然而,这些数据集存在一些局限性,如老化,使其不可行的基于ML的解决方案,以现实世界的应用程序。本文提出了一个系统的数据为中心的方法来解决目前的NIDS研究的局限性,特别是数据集。这种方法生成的NIDS数据集组成的最新的网络流量和攻击,与标签过程集成的设计。
2022-01-08 cs.AI cs.CR cs.LG
Adversarial Machine Learning In Network Intrusion Detection Domain: A Systematic Review
Newcastle University(纽卡斯尔大学);Tabuk University(塔布克大学)
由于其在各个领域的巨大成功,深度学习技术越来越多地用于设计网络入侵检测解决方案,这些解决方案以高准确率和最小特征工程来检测和减轻未知和已知攻击。然而,人们发现,深度学习模型容易受到数据实例的影响,这些数据实例可能会误导模型做出不正确的分类决策,即所谓的(对抗性示例)。这种漏洞允许攻击者通过向恶意流量添加小的狡猾扰动来瞄准NIDS,以逃避检测并破坏系统的关键功能。深度对抗学习问题在计算机视觉领域已经得到了广泛的研究;然而,在网络安全应用中,它仍然是一个开放的研究领域。因此,本调查探讨了在网络入侵检测领域采用对抗性机器学习的不同方面的研究,以便为潜在的解决方案提供方向。首先,调查研究根据其对生成对抗性示例的贡献进行分类,评估基于ML的NID对对抗性示例的鲁棒性,并保护这些模型免受此类攻击。其次,我们强调了调查研究中确定的特征。此外,我们讨论了现有的通用对抗攻击的NIDS域的适用性,在现实世界的情况下,推出拟议的攻击的可行性,以及现有的缓解解决方案的局限性。
2021-12-06 cs.CR cs.LG cs.NE
Modified Apriori Approach for Evade Network Intrusion Detection System
入侵检测系统(IDS)是一种软件或硬件工具,可以重复扫描和监视计算机或网络中发生的事件。基于签名的网络入侵检测系统(NIDS)使用一组规则来检测网段或数据包中的恶意流量,这对于检测网络上的恶意和异常行为(如已知攻击)非常重要,黑客正在寻找新的技术来隐藏。有时,任何一层的一个故障都会导致NIDS错过该攻击。为了克服这个问题,使用了一种技术,它将在该层中触发故障。这种技术被称为回避技术。规避可以定义为将可见攻击修改为任何其他形式以避免被检测到的任何技术。该系统用于检测网络上的攻击,并给出了实际的攻击分类。该系统具有低虚警率和高检测率的优点。因此,这导致降低了系统的复杂性和开销。提出了一种自定义Apriori算法的规避技术。本文旨在设计一种新的功能结构来规避NIDS。该框架可用于审计NIDS。这个框架展示了一个概念证明,展示了如何在考虑两个公开可用的数据集的情况下规避自建的NIDS。
2014-11-25 cs.CR
Evaluating The Explainability of State-of-the-Art Deep Learning-based Network Intrusion Detection Systems
Cyber Security Strategic Technology Centre, ST Engineering(网络安全战略技术中心,新加坡科技工程)
本文通过多种XAI技术和攻击数据集实验评估最先进深度学习NIDS的可解释性,提出全局与局部解释一致性标准,发现不同XAI方法存在冲突,并给出平衡可解释性与检测性能的建议。
2025-09-23 cs.CR
On the Evaluation of Sequential Machine Learning for Network Intrusion Detection
University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学);Rochester Institute of Technology(罗切斯特理工学院);University of Liechtenstein(列支敦士登大学)
深度学习的最新进展重新激发了机器学习在网络入侵检测系统(NIDS)中的研究兴趣。具体来说,注意力已经给予顺序学习模型,由于他们的能力,提取的时间特性的网络流量(NetFlows),并使用它们的NIDS任务。然而,这些顺序模型的应用通常包括直接从其他领域转移和调整方法,而没有深入研究如何利用网络安全场景的具体情况;此外,缺乏对依赖NetFlow数据的顺序模型的全面研究,这比传统的完整数据包捕获具有显着优势。我们在本文中解决这个问题。我们提出了一个详细的方法来提取时间序列的NetFlows表示模式的恶意活动。然后,我们应用这种方法来比较顺序学习模型与传统静态学习模型的有效性。特别是,我们在由两个著名的NIDS数据集代表的不同环境中对“顺序”长短期记忆(LSTM)与“静态”前馈神经网络(FNN)进行了公平的比较:CICIDS 2017和CTU 13。我们的研究结果强调,LSTM在CICIDS 2017中实现了与FNN相当的性能,F1得分超过99.5%;而在CTU 13中获得了更好的性能,F1得分为95.7%,而F1得分为91.5%。因此,本文铺平了道路,未来的应用程序顺序学习模型的NIDS。
2021-06-15 cs.CR cs.LG
Flow-based Network Intrusion Detection Based on BERT Masked Language Model
针对传统机器学习NIDS领域适应能力不足的问题,本文提出利用NLP技术与BERT掩码语言模型构建基于流的入侵检测方法,并在跨领域数据上验证了其有效性。
2023-06-08 cs.CR
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
Kitsune: An Ensemble of Autoencoders for Online Network Intrusion Detection
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
神经网络已经成为网络入侵检测系统(NIDS)的一种越来越流行的解决方案。它们学习复杂模式和行为的能力使其成为区分正常流量和网络攻击的合适解决方案。然而,神经网络的缺点是训练它们所需的资源量。许多可能托管NIDS的网络网关和路由器设备根本没有存储器或处理能力来训练,有时甚至执行这样的模型。更重要的是,现有的神经网络解决方案是以监督的方式训练的。这意味着专家必须标记网络流量并不时手动更新模型。在本文中,我们提出了Kitsune:即插即用的NIDS,可以学习检测本地网络上的攻击,无需监督,并在一个有效的在线方式。Kitsune的核心算法(KitNET)使用称为自动编码器的神经网络的集合来共同区分正常和异常的流量模式。KitNET由一个特征提取框架支持,该框架可以有效地跟踪每个网络通道的模式。我们的评估表明,Kitsune可以检测到各种攻击,其性能与离线异常检测器相当,即使在Raspberry PI上也是如此。这表明Kitsune可以成为一个实用和经济的NIDS。
2018-05-27 cs.AI cs.CR cs.LG
On the Cross-Dataset Generalization of Machine Learning for Network Intrusion Detection
Department of Electrical and Information Engineering, University of Cassino and Southern Latium(电气与信息工程系,卡斯ino和南部拉蒂姆大学)
本研究在跨数据集框架下评估机器学习NIDS的泛化能力,发现模型在同数据集表现完美但跨数据集效果接近随机,揭示了数据异常与异构性对泛化的严重阻碍。
2024-02-15 cs.CR cs.LG cs.NI
Adversarial Challenges in Network Intrusion Detection Systems: Research Insights and Future Prospects
本文系统综述了基于机器学习的网络入侵检测系统所面临的对抗性攻击威胁,分析现有研究的优势与不足,并提出增强NIDS鲁棒性的未来研究方向。
2024-10-22 cs.CR cs.ET cs.NI
nCMD: Benign-Anchored Feature Selection for Imbalanced Network Intrusion Detection
Department of Computer Science(计算机科学系);New Mexico State University(新墨西哥州立大学);Graduate School of Informatics(信息科学研究生院);Osaka Metropolitan University(大阪 Metropolitan 大学)
提出良性锚定类均值偏差(nCMD)方法,通过计算攻击类分布与良性类均值的偏差进行特征选择,在四个基准数据集上优于传统过滤方法,尤其适用于特征预算紧张和类别严重不平衡的场景。
2026-09-29 cs.CR cs.LG
Exploring Edge TPU for Network Intrusion Detection in IoT
The University of Queensland(昆士兰大学);Commonwealth Scientific and Industrial Research Organisation (CSIRO)(联邦科学与工业研究组织(CSIRO));Queensland University of Technology(昆士兰科技大学)
本文探索谷歌边缘TPU在物联网边缘实现深度学习网络入侵检测系统,评估计算时间、能效和分类性能,并与ARM Cortex A53 CPU比较,发现小模型下CPU性能更优。
2021-03-30 cs.AI cs.CR cs.LG
I-SiamIDS: an improved Siam-IDS for handling class imbalance in network-based intrusion detection systems
NIDS通过分析网络流量来识别恶意活动。NIDS是用良性和侵入性网络流量的样本进行训练的。训练样本属于多数类或少数类,这取决于可用实例的数量。多数类包括丰富的样本正常流量以及经常性的入侵。然而,少数类包括较少的未知事件或不频繁的入侵样本。在这种不平衡的数据上训练的NIDS往往会对少数攻击类别进行有偏见的预测,从而导致未检测到或错误分类的入侵。过去的研究工作使用数据级方法来处理这种类不平衡问题,即在训练数据集中增加少数类样本或减少多数类样本。虽然这些数据级平衡方法间接地提高了NIDS的性能,但是它们没有解决NIDS中的根本问题,即它们不能识别仅具有有限训练数据的攻击。本文提出了一种算法级的方法称为I-SiamIDS,这是一个两层的集成处理类不平衡问题。I-SiamIDS在算法级识别多数类和少数类,而不使用任何数据级平衡技术。I-SiamIDS的第一层使用b-XGBoost,Siamese-NN和DNN的集成对输入样本进行分层过滤以识别攻击。然后,这些攻击被发送到I-SiamIDS的第二层,使用m-XGBoost将其分类为不同的攻击类别。与同类产品相比,I-SiamIDS在NSL-KDD和CIDDS-001数据集的准确性、召回率、精确度、F1评分和AUC值方面均显示出显著的改善。为了进一步强化结果,还进行了计算成本分析以研究所提出的I-SiamIDS的可接受性。
2020-09-23 cs.CR
Towards Network Traffic Monitoring Using Deep Transfer Learning
Western University(西安大略大学)
网络流量在全球范围内以超常规的速度增长。现代网络基础设施使得传统的网络入侵检测方法无法有效地对大量网络流量进行分类。本文的目的是提出一个现代的方法来建立一个网络入侵检测系统(NIDS),通过使用各种深度学习方法。为了进一步改进我们提出的方案并使其在现实环境中有效,我们使用深度迁移学习技术,将模型在具有丰富计算和数据资源的源域中学习到的知识转移到具有稀疏可用性的目标域。我们提出的方法在源域中实现了98.30%的分类准确率,在目标域中提高了98.43%的分类准确率,并使用UNSW-15数据集提高了分类速度。这项研究表明,深度迁移学习技术使得构建大型深度学习模型来执行网络分类成为可能,这些模型可以部署在现实世界的目标领域中,尽管资源的可访问性有限,但它们仍然可以保持其分类性能并提高其分类速度。
2021-01-04 cs.LG
Meta-Analysis and Systematic Review for Anomaly Network Intrusion Detection Systems: Detection Methods, Dataset, Validation Methodology, and Challenges
本文通过元分析与系统综述方法,从检测方法、数据集、验证方式及复杂度等维度全面评估基于深度学习和机器学习的异常网络入侵检测系统,揭示现有研究不足并提出未来改进方向。
2023-08-11 cs.CR cs.SY eess.SY
A Novel Open Set Energy-based Flow Classifier for Network Intrusion Detection
本文提出一种用于网络入侵检测的开集识别算法,通过改进单类基于能量的流分类器(EFC),使其能同时分类已知和未知攻击,且具有低时间复杂度,在准确率上与现有技术水平相当。
2025-06-27 cs.CR cs.NI
A Synergistic Approach In Network Intrusion Detection By Neurosymbolic AI
University of Ferrara(费拉拉大学);University of West Florida(西佛罗里达大学);United States Military Academy(美国军事学院)
本文提出将神经符号人工智能融入网络入侵检测系统,结合深度学习的数据驱动优势与符号AI的逻辑推理能力,以提升对复杂网络威胁的检测性能、可解释性和适应性。
2024-06-03 cs.AI cs.CR cs.SC
ExpIDS: A Drift-adaptable Network Intrusion Detection System With Improved Explainability
ST Engineering(新加坡科技工程)
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
Network intrusion detection systems for in-vehicle network - Technical report
现代车辆是复杂的安全关键网络物理系统,与外部世界相连,带来了所有安全问题。为了提高车辆的安全性,几个网络入侵检测系统(NIDS)已经提出了CAN总线,主要类型的车载网络。然而,车载CAN总线是进行入侵检测的一个具有挑战性的地方,因为消息提供的信息很少;解释它们需要有关实施的特定知识,而这些知识并不容易获得。在本技术报告中,我们收集了现有解决方案如何通过提供文献中存在的各种CAN NIDS的有组织清单来应对这一挑战,并根据它们从网络中提取的信息以及它们如何构建模型对其进行分类。
2019-05-28 cs.CR
ConCap: Practical Network Traffic Generation for (ML- and) Flow-based Intrusion Detection Systems
Ghent University – imec(根特大学–imec);University of Liechtenstein(列支敦士登大学);Reykjavik University(雷克雅未克大学)
ConCap通过生成真实网络环境下的自动标注流量数据,解决了NIDS研究中数据代表性不足的问题,验证了其在真实网络和基准数据集中的有效性。
2026-01-13 cs.CR cs.NI
Host-Based Network Intrusion Detection via Feature Flattening and Two-stage Collaborative Classifier
University of Ottawa(渥太华大学);Ciena(CIENA公司)
针对NIDS检测APT等攻击的局限,提出融合主机与网络特征、结合特征扁平化和两阶段协同分类器的混合入侵检测方法,在两个公开数据集上有效提升了整体及单类攻击的检测性能。
2023-06-15 cs.AI cs.CR cs.NI
Network Intrusion Detection: Evolution from Conventional Approaches to LLM Collaboration and Emerging Risks
Kyushu University(九州大学)
本综述系统梳理了网络入侵检测从传统签名和神经网络方法到LLM集成的演进,总结了各阶段优势与局限,并重点分析了LLM在NIDS中的应用价值、实际部署挑战及其被滥用于网络攻击的风险,同时概述了领域专用LLM的构建策略。
2025-11-09 cs.CR
Segmented Federated Learning for Adaptive Intrusion Detection System
Pune Institute of Computer Technology(浦那计算机技术学院)
网络攻击是一个主要问题,它会给组织造成巨大的财务和声誉损害。然而,由于各种因素的影响,目前的网络入侵检测系统(NIDS)显得力不从心。主要的NIDS通过手工制作的规则数据集识别网络攻击。虽然最近机器学习和深度学习的应用减轻了NIDS的巨大努力,但网络数据的安全性一直是首要关注的问题。然而,遇到的安全问题,使组织之间的共享,联邦学习(FL)计划。虽然目前的FL系统已经取得了成功,但网络的数据分布并不总是适合FL中的单个全局模型。因此,在这种情况下,在FL中具有单个全局模型是不可行的。在本文中,我们提出了一个分段联邦学习(Segmented-FL)的学习计划,一个更有效的NIDS。分段FL方法采用周期性局部模型评估,基于该评估进行分段。我们的目标是将类似的网络环境带给同一个群体。此外,分段FL系统与基于工作者拥有的数据样本的数量的局部模型参数的加权聚合耦合,以进一步增强性能。与标准数据集上的FL和集中式系统相比,我们的系统性能的提高进一步验证了我们的系统,并为在各种任务中扩展我们的技术提供了强有力的理由。该解决方案适用于希望在不同网络环境中协作学习并保护个人数据集隐私的组织。
2021-07-02 cs.CR cs.DC cs.LG
Adversarial Machine Learning in Network Intrusion Detection Systems
Army Cyber Institute, U.S. Military Academy(美国陆军军事学院陆军网络研究所)
对抗性示例是攻击者故意制作的机器学习系统的输入,以欺骗模型产生错误的输出。这些例子在图像识别、语音识别和垃圾邮件检测等领域取得了很大的成功。本文研究了网络入侵检测系统中对抗性问题的本质。我们专注于攻击的角度,其中包括生成能够逃避各种机器学习模型的对抗性示例的技术。更具体地说,我们探索使用演化计算(粒子群优化和遗传算法)和深度学习(生成对抗网络)作为对抗示例生成的工具。为了评估这些算法在规避NIDS的性能,我们将它们应用到两个公开的数据集,即NSL-KDD和UNSW-NB 15,我们将它们与基线扰动方法进行对比:蒙特卡洛模拟。结果表明,我们的对抗性示例生成技术在11个不同的机器学习模型中导致了很高的误分类率,以及投票分类器。我们的工作突出了基于机器学习的NIDS在对抗性干扰面前的脆弱性。
2020-04-23 cs.CR cs.LG cs.NE
TEAM: Temporal Adversarial Examples Attack Model against Network Intrusion Detection System Applied to RNN
School of Cyber Science and Engineering, Wuhan University(武汉大学网络安全学院)
提出针对RNN的时间对抗样本攻击模型TEAM,利用时间步关联和时间膨胀技术,显著提升NIDS在黑盒和白盒下的误判率,最高超过96.68%。
2024-09-19 cs.AI cs.CR
Enhanced Convolution Neural Network with Optimized Pooling and Hyperparameter Tuning for Network Intrusion Detection
Vellore Institute of Technology(韦洛尔理工学院);School of Computer Science and Engineering(计算机科学与工程学院)
本文提出一种具有优化池化和超参数调优的增强卷积神经网络(EnCNN)用于网络入侵检测,在KDDCUP'99数据集上相比多种机器学习算法使检测准确率提升10%,有效增强了实时威胁检测与网络弹性。
2024-09-27 cs.AI cs.CR cs.CV
Evaluating explainable AI for deep learning-based network intrusion detection system alert classification
针对深度学习NIDS告警分类缺乏透明度的问题,本文用LSTM排序告警并比较四种XAI方法,证明DeepLIFT综合表现最佳且与分析师认知一致。
2025-06-09 cs.CR
Problem space structural adversarial attacks for Network Intrusion Detection Systems based on Graph Neural Networks
University of Modena and Reggio Emilia(摩德纳与雷焦艾米利亚大学);University of Bologna(博洛尼亚大学)
本文首次形式化了针对网络入侵检测中图神经网络的结构对抗攻击,建模了现实问题空间约束,并通过实验证明该类模型对特征攻击鲁棒但对结构攻击易感。
2024-04-23 cs.AI cs.CR