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
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
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
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
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
Review: Deep Learning Methods for Cybersecurity and Intrusion Detection Systems
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
随着网络攻击的数量不断增加，网络安全正在演变为任何企业的关键问题。人工智能（AI）和机器学习（ML）（特别是深度学习- DL）可以作为网络防御的关键技术，因为它们可以有助于威胁检测，甚至可以为网络分析师提供建议的行动。工业界、学术界和政府在全球范围内建立伙伴关系是必要的，以推动AI/ML在网络安全中的应用，并创建高效的网络防御系统。在本文中，我们关注对用于网络入侵检测的各种深度学习技术的调查，并介绍了用于网络安全应用的深度学习框架。
2020-12-04 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
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
DeepAuditor: Distributed Online Intrusion Detection System for IoT devices via Power Side-channel Auditing
William & Mary（威廉与玛丽学院）；Old Dominion University（欧道明大学）
随着物联网设备数量的迅速增加，物联网僵尸网络已经利用了物联网设备的漏洞。然而，在大规模攻击之前检测物联网设备上的初始入侵仍然具有挑战性。最近的研究利用电源侧信道信息来识别物联网设备上的这种入侵行为，但仍然缺乏用于无处不在的僵尸网络检测的实时准确模型。我们提出了第一个在线入侵检测系统，称为DeepAuditor，用于通过电源审计的物联网设备。为了开发实时系统，我们提出了一个轻量级的电力审计设备称为电力审计。我们还设计了一个分布式CNN分类器，用于实验室环境中的在线推理。为了防止数据泄漏和减少网络冗余，我们提出了一个隐私保护的推理协议，通过压缩同态加密和滑动窗口协议在我们的系统。的分类精度和处理时间进行了测量，所提出的分类器优于基线分类器，特别是对看不见的模式。我们还证明了分布式CNN设计对任何分布式组件都是安全的。总的来说，这些测量结果表明了我们的实时分布式系统在物联网设备上进行入侵检测的可行性。
2022-05-10 cs.CR cs.LG
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
Intrusion detection systems using classical machine learning techniques versus integrated unsupervised feature learning and deep neural network
Self-employed（自营（个体））；IBM（国际商业机器公司）；Amrita Vishwa Vidyapeetham（阿姆里塔维施瓦维迪亚佩塔姆大学）
安全分析师和管理员面临着检测和防止组织中的网络入侵的许多挑战，为了防止网络漏洞，及时检测漏洞至关重要。在检测不可预见的攻击时会出现挑战。这项工作包括对需要大量特征工程的经典机器学习方法与NSL-KDD数据集上的集成无监督特征学习和深度神经网络进行性能比较。运行各种试验以识别机器学习模型的合适的超参数和网络配置。使用主成分分析提取的15个特征的DNN是最有效的建模方法。使用软件定义网络功能进行的进一步分析也显示了使用深度神经网络的良好准确性。
2019-10-01 cs.CR cs.LG cs.NI
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
CAN-LOC: Spoofing Detection and Physical Intrusion Localization on an In-Vehicle CAN Bus Based on Deep Features of Voltage Signals
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Politehnica University of Timisoara（蒂米什瓦拉理工大学）
控制器局域网（CAN）用于车载设备之间的通信。CAN总线已被证明容易受到远程攻击。为了增强车辆抵御此类攻击的能力，车辆制造商将车载网络划分为子网络，在逻辑上隔离关键设备。但是，攻击者仍然可以物理访问各种子网，在这些子网中他们可以连接恶意设备。这一威胁尚未得到充分解决，因为为确定实际入侵点而提出的方法效果不佳，因此需要开发更先进的技术。为了解决这种类型的威胁，我们提出了一个车载网络的安全加固系统。所提出的系统包括两个机制，处理从CAN总线上测量的电压信号中提取的深度特征。第一种机制使用数据增强和深度学习来检测和定位车辆启动时的物理入侵;这种机制可以检测和定位入侵，即使在连接的恶意设备静默时也是如此。这种机制的有效性（100%的准确性）证明了在各种各样的插入情况下的CAN总线原型。第二种机制是一种连续的设备认证机制，也是基于深度学习的;这种机制的鲁棒性（99.8%的准确率）在真实的移动车辆上得到了证明。
2021-06-15 cs.CR cs.LG
Probabilistic Robustness-driven Universal Adversarial Perturbations with Explainability against Deep Reinforcement Learning-based Intrusion Detection System
University of Warwick（华威大学）；Loughborough University（拉夫堡大学）；Swansea University（斯旺西大学）
针对深度强化学习入侵检测系统，提出基于概率鲁棒性的通用对抗扰动生成方法PX-UAP，利用可解释人工智能指导扰动塑造，实验证明其攻击有效性优于现有方法。
2026-09-28 cs.LG
Self-Organizing Map assisted Deep Autoencoding Gaussian Mixture Model for Intrusion Detection
Nanyang Technological University（南洋理工大学）；Osaka University（大阪大学）
在信息时代，安全稳定的网络环境是必不可少的，因此入侵检测对于任何网络都是至关重要的。在本文中，我们提出了一种自组织映射辅助的深度自动编码高斯混合模型（SOMDAGMM），并补充了良好保存的输入空间拓扑结构，以实现更准确的网络入侵检测。深度自动编码高斯混合模型包括压缩网络和能够执行无监督联合训练的估计网络。然而，由自动编码器生成的代码在保持输入空间的拓扑方面是无能的，这根源于所采用的深层结构的瓶颈。一个自组织映射已被引入到构建SOMDAGMM来解决这个问题。在两个数据集上进行了大量的实验，经验证明了所提出的SOM-DAGMM的优越性。实验结果表明，SOM-DAGMM在所有测试上都优于最先进的DAGMM，并且在F1分数上获得了高达15.58%的提高，并且具有更好的稳定性。
2020-08-28 cs.CR cs.LG cs.SI
Deep Learning-Based Intrusion Detection for Automotive Ethernet: Evaluating & Optimizing Fast Inference Techniques for Deployment on Low-Cost Platform
Centro de Informática (CIn)（计算机中心）；Grupo de Pesquisa em Redes e Telecomunicações (GPRT)（网络与电信研究组）；Universidade Federal de Pernambuco (UFPE)（佩纳布卢克联邦大学）
本文针对汽车以太网流量注入攻击，提出用蒸馏与剪枝技术优化深度学习IDS模型，在Raspberry Pi 4上实现727微秒实时检测，AUCROC达0.9890。
2025-07-01 cs.CR cs.LG
Analyzing Adversarial Attacks Against Deep Learning for Intrusion Detection in IoT Networks
Carleton University（卡尔顿大学）
对抗攻击在计算机视觉领域已经得到了广泛的研究，但其对网络安全应用的影响仍然是一个开放的研究领域。随着物联网、5G和人工智能不断融合以实现第四次工业革命（工业4.0）的承诺，物联网网络上的安全事件和事件也在增加。深度学习技术正被应用于检测和缓解针对物联网网络的许多此类安全威胁。前馈神经网络（FNN）已被广泛用于对物联网网络中的入侵攻击进行分类。在本文中，我们考虑了FNN的一种变体，称为自规范化神经网络（SNN），并将其性能与FNN进行比较，用于对物联网网络中的入侵攻击进行分类。我们的分析是使用新南威尔士大学堪培拉网络中心网络范围实验室的BoT-IoT数据集进行的。在我们的实验结果中，FNN在物联网网络中的入侵检测方面优于SNN，这是基于多个性能指标，如准确度，精确度和召回率以及多分类指标，如Cohen的Kappa得分。然而，当测试对抗性鲁棒性时，SNN对来自物联网数据集的对抗性样本表现出更好的弹性，在物联网网络中寻求更安全和更安全的深度学习方面呈现出充满希望的未来。
2019-05-13 cs.CR cs.LG cs.NI
Investigating Resistance of Deep Learning-based IDS against Adversaries using min-max Optimization
随着针对机器学习模型的对抗攻击的增长，在设计基于深度神经网络的入侵检测系统（IDS）时出现了一些关于潜在漏洞的担忧。本文研究了基于深度学习的入侵检测系统对对抗攻击的抵御能力。我们应用最小-最大（或鞍点）的方法来训练入侵检测系统对NSW-NB 15数据集上的对抗攻击样本。我们有最大的方法来生成对抗样本，实现最大的损失和攻击深度神经网络。另一方面，我们利用现有的min方法[2] [9]作为防御策略来优化入侵检测系统，以最大限度地减少对抗训练期间合并的对抗样本的损失。我们研究和测量的有效性的对抗攻击的方法，以及对抗训练的模型对这种攻击的抵抗力。我们发现，在二进制域中设计的对抗攻击方法可以用于连续域，并表现出不同的错误分类水平。最后，我们表明，基于主成分分析（PCA）的特征约简可以提高入侵检测系统（IDS）使用深度神经网络（DNN）的鲁棒性。
2019-10-30 cs.LG stat.ML
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
Two-stage Deep Stacked Autoencoder with Shallow Learning for Network Intrusion Detection System
Vellore Institute of Technology（韦洛尔理工大学）；PSG College of Technology（PSG理工学院）
稀疏事件，例如实时网络流量中的恶意攻击，已经导致大型组织的收入损失大幅增加。这是由于网络的过度增长及其接触到过多的人。用于检测入侵的标准方法并不乐观，并且在识别新的恶意软件方面存在重大失败。此外，在处理具有稀疏性、高误报率、小类检测率低、训练时间和数据维度特征工程的大容量数据方面的挑战促使深度学习以更少的时间和更好的效果接管任务。现有的系统需要改进，以解决实时网络流量问题以及功能工程。我们提出的工作克服了这些挑战，在两个阶段使用深度堆叠的自动编码器给出了有希望的结果。两阶段的深度学习与浅层学习相结合，在第二阶段使用随机森林进行分类。这使得该模型与最新的加拿大网络安全研究所-入侵检测系统2017（CICIDS-2017）数据集配合良好。实现了具有令人钦佩的检测精度的零假阳性。
2021-12-03 cs.AI cs.CR 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
An Intrusion Response System utilizing Deep Q-Networks and System Partitions
University of Rome Tor Vergata（罗马第二大学）；Sapienza University of Rome（罗马第一大学）；Roma Tre University（罗马第三大学）；Mississippi State University（密西西比州立大学）
入侵响应是一个相对较新的研究领域。最近创建入侵响应系统（IRS）的方法使用强化学习（RL）作为主要技术，用于选择最佳或接近最佳的适当对策，以阻止或减轻正在进行的攻击。然而，他们中的大多数没有考虑到系统可以随时间变化的事实，或者换句话说，系统表现出非平稳行为。此外，有状态的方法，如基于RL的方法，由于状态空间随受保护系统的大小呈指数增长而遭受维数灾难。在本文中，我们介绍和开发了一个IRS软件原型，命名为IRS分区。它利用受保护系统和Deep Q-Networks的分区，通过支持多代理制定来解决维度灾难。此外，它利用迁移学习来跟踪非平稳系统的演化。
2022-02-16 cs.AI cs.CR cs.LG
New Era of Deeplearning-Based Malware Intrusion Detection: The Malware Detection and Prediction Based On Deep Learning
随着以深度学习模型为代表的人工智能算法的发展以及在不同领域的成功应用，深度学习技术在网络安全领域也有了进一步的探索。无论是在学术安全研究中，还是在行业实践中，通过深度学习方法处理部分网络安全问题时，与传统规则相比，都表现出了较好的性能。特别是对于恶意软件检测和分类任务，它节省了大量的时间成本，并提高了恶意软件检测系统总流水线的准确性。在本文中，我们构建了特殊的深度神经网络，即MalDeepNet（TB-Malnet和IB-Malnet），用于恶意软件动态行为分类任务。然后构建了基于深度学习的家族聚类算法并进行了相关测试。此外，我们还设计了一个新的恶意软件预测模型，可以检测恶意软件未来通过Mal生成对抗网络（Mal-GAN）的实现。这些算法在以后的相关数据集上具有相当大的应用价值。
2021-10-15 cs.CR cs.LG
Online Self-Supervised Deep Learning for Intrusion Detection Systems
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息研究所）；Yaşar University（亚萨尔大学）
本研究提出新型SSID框架，基于自联想深度随机神经网络与在线可信度估计实现全在线无人工干预的深度学习入侵检测系统，可适配流量时变特性，经公开数据集验证在IoT场景下精准高效。
2024-05-15 cs.CR cs.LG cs.NI
CANShield: Deep Learning-Based Intrusion Detection Framework for Controller Area Networks at the Signal-Level
Virginia Tech（弗吉尼亚理工大学）；UT-Battelle, LLC（UT-巴特勒有限责任公司）；US Department of Energy（美国能源部）
针对CAN总线易遭高级信号层注入攻击、传统IDS检测效果差的问题，提出含预处理、多尺度AE分析、集成检测三模块的深度学习框架CANShield，在两个数据集上验证了其高准确性与响应性。
2023-10-07 cs.CR cs.LG
An Adaptable Deep Learning-Based Intrusion Detection System to Zero-Day Attacks
Sharif University of Technology（谢里夫理工大学）
入侵检测系统（IDS）是计算机网络安全监控的重要组成部分。IDS区分恶意流量和良性流量，并确定针对组织资产的攻击类型。IDS的主要挑战是面临新的（即，零日）攻击，并将它们与良性流量和现有类型的攻击分开。随着基于深度学习的IDS在自动提取高级特征方面的强大功能及其与耗时且昂贵的签名提取过程的独立性，在新一代IDS中仍然存在上述挑战。在本文中，我们提出了一个基于深度学习的IDS解决新攻击的框架。该框架是第一种在安全范围内使用基于深度新颖性的分类器以及基于深度结构的专用层的传统聚类的方法。此外，我们引入DOC++作为DOC的新版本，作为一个深度新颖的分类器。我们还在预处理阶段采用了深度入侵检测（DID）框架，这提高了深度学习算法检测基于内容的攻击的能力。我们比较了四种不同的算法（包括DOC，DOC++，OpenMax和AutoSVM）作为框架的新颖性分类器，并使用CIC-IDS 2017和CSE-CIC-IDS 2018数据集进行评估。我们的研究结果表明，DOC++是开集识别模块的最佳实现。此外，聚类和后训练阶段的完备性和同质性证明了该模型对于监督标记和更新阶段是足够好的。
2021-08-20 cs.CR cs.LG cs.NI
A Study on Transferability of Deep Learning Models for Network Intrusion Detection
Purdue University（普渡大学）
该研究聚焦网络入侵检测场景下不同攻击类别间深度学习模型的迁移性，通过跨类别测试评估迁移效果，分析数据增强、迁移性关系性质、可解释性及数据预处理对性能的影响，并公开了相关代码。
2023-12-17 cs.CR cs.LG eess.SP
Orthogonal variance-based feature selection for intrusion detection systems
Canadian University Dubai（加拿大迪拜大学）
在本文中，我们采用融合机器学习方法来构建一个自动入侵检测系统。具体而言，我们采用正交方差分解技术来识别网络流量数据中的相关特征。所选择的特征用于构建用于入侵检测的深度神经网络。该算法对DDoS攻击的检测准确率达到100%。测试结果表明，该方法具有很大的潜力。
2021-10-25 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
Deep Learning-based Embedded Intrusion Detection System for Automotive CAN
Trinity College Dublin（都柏林圣三一学院）
针对汽车CAN总线安全与机器学习IDS部署能耗、延迟高的问题，本文提出基于FPGA的混合ECU硬件加速深度CNN方案，实现高精度、低能耗和低延迟的透明入侵检测。
2024-01-19 cs.CR cs.LG
LBDMIDS: LSTM Based Deep Learning Model for Intrusion Detection Systems for IoT Networks
Indian Institute of Information Technology（印度信息技术学院）；THM University of Applied Sciences（THM应用科学大学）
近年来，我们目睹了物联网（IoT）和边缘设备在我们日常活动中使用的数量的巨大增长。这要求这些设备的安全性免受网络攻击，以保护其用户。多年来，机器学习（ML）技术已被用于开发网络入侵检测系统（NIDS），目的是提高其可靠性/鲁棒性。在早期的ML技术中，DT表现良好。近年来，深度学习（DL）技术已被用于尝试构建更可靠的系统。在本文中，开发了一个支持深度学习的长短期记忆（LSTM）自动编码器和一个13特征深度神经网络（DNN）模型，这些模型在UNSW-NB 15和Bot-IoT数据集上的准确性要好得多。因此，我们提出了LBDMIDS，我们基于LSTM的变体（即堆叠LSTM和双向LSTM）开发了NIDS模型，并在UNSW\_NB15和BoT\-IoT数据集上验证了它们的性能。本文的结论是，LBDMIDS中的这些变体优于经典ML技术，并且与过去提出的DNN模型相似。
2022-06-23 cs.CR cs.LG
Tracing the Chain: Deep Learning for Stepping-Stone Intrusion Detection
University of Minnesota（明尼苏达大学）
本文提出ESPRESSO模型用于中继入侵检测，通过深度学习实现低误报率的流量相关性分析，优于现有方法，且能预测链长以区分恶意行为。
2026-04-09 cs.CR cs.LG
Towards a Privacy-preserving Deep Learning-based Network Intrusion Detection in Data Distribution Services
City, University of London（伦敦大学城市学院）
数据分发服务（DDS）是ICS/IoT基础设施和机器人通信的创新方法。它基于可应用于任何计算机化设备的跨平台和跨语言API，提供了现代程序设计语言的好处，并有机会开发更复杂和先进的系统。然而，DDS的复杂性同样增加了其脆弱性，而现有的安全措施仅限于插件和静态规则，其余的安全性由第三方应用程序和操作系统提供。具体来说，传统的入侵检测系统（IDS）不会检测到发布/订阅方法中的任何异常。随着全球通信交换呈指数级增长，保护DDS对于面向未来的工业、公共甚至个人设备和系统至关重要。本报告介绍了一项实验工作，模拟针对DDS的几种特定攻击，以及深度学习在检测中的应用。研究结果表明，尽管深度学习允许仅使用元数据分析来检测所有模拟攻击，但它们的检测水平各不相同，其中一些高级攻击更难检测。保护隐私的尝试所施加的限制显着降低了检测率。该报告还回顾了深度学习方法的缺点和局限性，并提出了一组精选的解决方案和配置，可以进一步提高DDS的安全性。
2021-06-12 cs.CR cs.LG
Deep Learning-Based Intrusion Detection System for Advanced Metering Infrastructure
Mohammed V University（穆罕默德五世大学）
智能电网是传统电网的替代解决方案，它利用信息技术的力量来节省能源并满足当今的环境要求。由于信息技术固有的脆弱性，智能电网面临着各种各样的威胁，这些威胁可能会转化为网络攻击。在本文中，我们开发了一个基于深度学习的入侵检测系统，以抵御先进的计量基础设施网络中的网络攻击。所提出的机器学习方法在一个经验工业数据集上进行了广泛的训练和测试，该数据集由几种攻击类别组成，包括扫描，缓冲区溢出和拒绝服务攻击。然后，在检测精度方面进行了实验比较，以评估所提出的方法与朴素贝叶斯，支持向量机，和随机森林的性能。所得到的结果表明，所提出的方法产生最佳的结果相比，其他算法。最后，我们提出了一个网络架构部署建议的基于异常的入侵检测系统在整个先进的计量基础设施网络。此外，我们提出了一个网络安全体系结构组成的两种类型的入侵检测系统类型，主机和基于网络的，部署在整个高级计量基础设施网络检查流量和检测恶意的所有级别。
2019-12-31 cs.CR cs.LG eess.SP
Hybrid Deep Learning-Federated Learning Powered Intrusion Detection System for IoT/5G Advanced Edge Computing Network
本文提出一种融合CNN、BiLSTM和自编码器的联邦学习入侵检测系统，在UNSW-NB15上取得AUC 99.59%和F1 97.36%，推理时间仅0.0476毫秒，满足5G-Advanced边缘部署的URLLC要求。
2025-09-19 cs.CR cs.LG cs.NI
Dueling Deep Q-Learning for Intrusion Detection
Georgia Institute of Technology（佐治亚理工学院）；School of Computer Science, College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院计算机学院）
本研究针对入侵检测系统难以适配新型攻击的问题，提出对决深度Q学习模型，结合CIC-IDS2018数据集训练，准确率达99.68%，并集成SHAP提升预测可解释性。
2026-08-13 cs.CR cs.LG
C-RADAR: A Centralized Deep Learning System for Intrusion Detection in Software Defined Networks
Center of Excellence in AI (CoE-AI)（人工智能卓越中心（CoE-AI））；Bahria University（巴里亚大学）
本文提出 C-RADAR 系统，利用基于 LSTM 和自注意力机制的深度学习架构对软件定义网络进行入侵检测，在实验中取得 0.9721 的 Fl-score，优于传统方法。
2024-08-30 cs.AI cs.CR cs.LG
End-to-End Adversarial Learning for Intrusion Detection in Computer Networks
Sharif University of Technology（谢里夫理工大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））
本文提出了一种简单而有效的基于异常的入侵检测系统（IDS）方法。实际上，IDS可以被定义为一个单类分类系统，其中正常业务是目标类。网络攻击的高度多样性以及对泛化的需求，促使我们提出一种半监督的方法。受生成对抗网络（GANs）在半无监督环境中训练深度模型的成功启发，我们提出了一种用于IDS的端到端深度架构。所提出的架构由两个深度网络组成，每个深度网络都通过相互竞争来理解正常流量类的基本概念。本文的核心思想是通过从正常流量中近似获得异常流量来弥补异常流量的不足。在这种情况下，我们的方法不会偏向于训练集中的可用入侵，从而实现更准确的检测。在NSL-KDD数据集上对该方法进行了验证。结果证实，我们的方法优于其他国家的最先进的方法。
2019-04-25 cs.CR cs.LG stat.ML
Hybrid Isolation Forest - Application to Intrusion Detection
IRISA（法国国家信息与自动化研究所雷恩分部）；CNRS（法国国家科学研究中心）；Universite Bretagne Sud（布列塔尼南部大学）
隔离森林（IF）算法的缺陷，限制其使用范围内的异常检测的识别，我们提出了两个扩展，首先允许克服前面提到的限制，其次提供一些监督学习能力。我们提出的混合隔离森林（HIF）首先在合成数据集上进行评估，以分析引入的新元参数的效果，并验证IF算法的局限性得到有效克服。然后在一个网络入侵检测应用程序的背景下，在ISCX基准数据集上比较了这两种算法。我们的实验表明，HIF优于IF，但也挑战了1类和2类SVM基线的计算效率。
2017-05-10 cs.LG
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
A transformer-BiGRU-based framework with data augmentation and confident learning for network intrusion detection
Jilin University（吉林大学）；Xidian University（西安电子科技大学）；Guizhou Medical University（贵州医科大学）
针对网络入侵检测数据集数据稀缺、类别不平衡且传统方法难以应对复杂模式的问题，本研究提出结合Transformer与BiGRU、辅以特征选择和数据增强的TrailGate框架，可有效检测常见及新兴威胁。
2025-09-05 cs.CR cs.LG
An Intrusion Detection System based on Deep Belief Networks
Toshiba Europe Ltd.（东芝欧洲有限公司）；Cardiff University（卡迪夫大学）
互联设备的快速增长导致了被称为零日攻击的新型网络安全威胁的扩散。传统的基于行为的IDS依赖于DNN来检测这些攻击。用于训练DNN的数据集的质量在检测性能中起着关键作用，代表性不足的样本会导致性能低下。在本文中，我们开发并评估了DBN在连接设备网络中检测网络攻击的性能。CICIDS2017数据集用于训练和评估我们提出的DBN方法的性能。几类平衡技术的应用和评估。最后，我们将我们的方法与传统的MLP模型和现有的最先进的方法进行比较。我们提出的DBN方法显示出有竞争力和有前途的结果，在训练数据集中检测攻击的性能显着提高。
2022-07-05 cs.CR cs.LG
A model for multi-attack classification to improve intrusion detection performance using deep learning approaches
University College of Engineering(A), Osmania University（奥斯马尼亚大学（A）工程学院）；Vasavi College of Engineering（瓦萨维工程学院）；Bhavans Vivekananda College（巴万斯维韦卡南达学院）；KG Reddy College of Engineering & Technology（KG雷迪工程与技术学院）
本研究提出基于LSTM-RNN、RNN和DNN的多模型深度学习框架，在多个基准数据集上实现多攻击分类，其中LSTM-RNN结合adamax优化器在准确率、检测率和低误报率上表现优异。
2023-10-25 cs.LG cs.NI
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
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
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
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
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
Tabular Diffusion based Actionable Counterfactual Explanations for Network Intrusion Detection
University of Western Ontario（西安大略大学）
针对网络入侵检测中黑箱模型解释难以转化为对策的问题，提出基于表格扩散的反事实解释框架，可高效生成最小、多样且可归纳为全局防御规则的可行动解释。
2025-07-23 cs.AI cs.LG
A Content-Based Deep Intrusion Detection System
Sharif University of Technology（谢里夫理工大学）
互联网用户数量的不断增长和Web应用程序的普及使得有必要处理网络中非常复杂的软件和应用程序。这导致系统中的新漏洞越来越多，并导致网络威胁增加，特别是零日攻击。为这些攻击生成适当签名的成本是使用基于机器学习的方法的潜在动机。虽然有很多研究使用基于学习的方法进行攻击检测，他们通常使用提取的特征，忽略了原始内容。这种方法可能会降低检测系统对基于内容的攻击（如SQL注入、跨站脚本（XSS）和各种病毒）的性能。在这项工作中，我们提出了一个框架，称为深度入侵检测（DID）系统，它使用纯内容的流量流除了流量元数据在学习和检测阶段的被动DNN IDS。为此，我们使用LSTM作为深度学习技术，按照框架部署和评估离线IDS。由于深度学习的固有性质，它可以处理高维数据内容，从而发现自动提取的流量特征之间的复杂关系。为了评估拟议的DID系统，我们使用了CIC-IDS 2017和CSE-CIC-IDS 2018数据集。CIC-IDS 2017上的查准率和查全率等评价指标分别达到了$0.992$和$0.998$，CSE-CIC-IDS 2018上分别达到了$0.933$和$0.923$，显示了所提DID方法的高性能。
2021-08-16 cs.CR cs.LG cs.NI
Image Classifiers for Network Intrusions
PeopleTec, Inc.（PeopleTec 公司）
本研究将UNSW-NB 15中的网络攻击数据集重新转换为图像空间中的入侵检测问题。使用一热编码，生成的灰度缩略图为深度学习算法提供了25万个示例。应用MobileNetV 2的卷积神经网络架构，这项工作在区分正常和攻击流量方面的准确率达到97%。对9个单独攻击家族（漏洞、蠕虫、外壳代码）的进一步分类细化显示出总体56%的准确率。利用特征重要性排序，子集上的随机森林解决方案显示了最重要的源-目的地因素和最不重要的主要是模糊的协议。该数据集在Kaggle上可用。
2021-03-13 cs.CR cs.LG
Attention Augmented GNN RNN-Attention Models for Advanced Cybersecurity Intrusion Detection
College of Information Science, University of Arizona, Tucson, AZ, USA（信息科学学院，亚利桑那大学，图森，亚利桑那州，美国）
在本文中，我们提出了一种新型的混合深度学习架构，该架构协同结合了图神经网络（GNNs），递归神经网络（RNN）和多头注意力机制，以显着增强网络安全入侵检测能力。通过利用包含不同网络流量模式的综合UNSW-NB 15数据集，我们的方法通过图形结构关系和网络事件的顺序分析有效地捕获空间依赖性和时间动态。集成的注意力机制提供了改进的模型可解释性和增强的特征选择的双重好处，使网络安全分析师能够将计算资源集中在高影响力的安全事件上-这是现代实时入侵检测系统的关键要求。我们广泛的实验评估表明，与传统的机器学习方法和独立的深度学习模型相比，所提出的混合模型在多个评估指标（包括准确度，精度，召回率和F1分数）上具有更好的性能。该模型在检测高级持续性威胁（APT）、分布式拒绝服务（DDoS）攻击和零日漏洞等复杂攻击模式方面具有特别强的性能，使其成为复杂网络环境中下一代网络安全应用的有前途的解决方案。
2025-10-29 cs.CR cs.LG
Pelican: A Deep Residual Network for Network Intrusion Detection
University of New South Wales（新南威尔士大学）；Australian Center for Cyber（澳大利亚网络中心）；Sangfor Technologies Inc.（深信服科技股份有限公司）
构建安全网络通信环境的一个挑战是如何有效地检测和防止恶意网络行为。异常的网络活动威胁到用户的隐私，并可能破坏整个网络的功能和基础设施。为了解决这个问题，网络入侵检测系统（NIDS）已被使用。通过持续监控网络活动，该系统可以及时识别攻击并提示反击行动。NIDS多年来一直在发展。为了提高对新型攻击的检测性能，新一代网络入侵检测系统采用了机器学习（ML）作为核心技术。然而，传统的基于ML的检测方法在实现高检测率的同时往往伴随着较大的虚警，这极大地影响了其整体性能。在本文中，我们提出了一个深度神经网络，鹈鹕，这是建立在专门设计的剩余块。我们在两个网络流量数据集NSL-KDD和UNSW-NB 15上对Pelican进行了评估。实验结果表明，与现有的基于机器学习的攻击检测算法相比，Pelican算法在保持较低误报率的同时，具有较高的攻击检测性能.
2020-05-08 cs.CR cs.LG eess.SP
