On Blockchain Architectures for Trust-Based Collaborative Intrusion Detection
本文考虑使用新的技术来减轻攻击，旨在损害入侵检测系统（IDS）。基于协作入侵检测网络（CIDNs）的解决方案可以提高抵御此类攻击的能力，因为它们允许IDS节点通过共享信息来相互获取知识。然而，尽管在这一领域进行了大量的研究，但信任管理问题仍然构成了重大挑战，最近的工作调查了这些问题是否可以通过依赖区块链和相关的分布式账本技术来解决。朝着这个方向，该论文提出在CIDN中使用基于信任的区块链，称为信任链，以保护CIDN同行之间共享的信息的完整性，增强其问责制，并通过阻止内部攻击来保护其协作。提出了一种CIDNs的共识协议，它是权益证明和工作量证明协议的组合，使协作IDS节点能够维护可靠的和防篡改的信任链。
2021-09-08 cs.CR
Poster Abstract: Towards Scalable and Trustworthy Decentralized Collaborative Intrusion Detection System for IoT
入侵检测系统（IDS）的目的是通过部署一个检测器来连续监视网络流量，从而警告用户即将到来的攻击。为了提高入侵检测系统的检测能力，通常由一组独立的入侵检测器协同工作来构建整体网络表征的智能，这就是协同入侵检测系统（Collaborative Intrusion Detection System，CIDS）。然而，开发一个有效的CIDS，特别是针对物联网生态系统，提出了几个挑战。区块链技术的最新趋势和进展，提供了分布式信任和安全不可变存储的保证，可能有助于设计有效的CIDS。在这张海报摘要中，我们介绍了我们正在进行的基于区块链技术的物联网分散式CIDS的工作。我们提出了一个架构，提供负责任的信任建立，促进激励和惩罚，并通过交换布隆过滤器可扩展的入侵信息存储。我们目前正在本地测试平台上实施模块化架构的概念验证，并评估其在检测物联网网络中常见攻击和相关开销方面的有效性。
2020-02-18 cs.CR cs.DC
Over-Threshold Multiparty Private Set Intersection for Collaborative Network Intrusion Detection
University of Waterloo（滑铁卢大学）
提出一种单收集者超阈值隐私集合求交协议，通过新哈希方案大幅降低计算复杂度，使其能应用于真实网络日志，并提供两种适应不同安全与通信需求的部署选项。
2025-10-14 cs.CR cs.NI
Multi-frame Signature-cum Anomaly-based Intrusion Detection Systems (MSAIDS) to Protect Privacy of Users over Mobile Collaborative Learning (MCL)
流氓DHCP是未经授权的服务器，它向用户发布错误的IP地址并非法嗅探流量。该贡献特别为用户提供隐私，并增强了[24]中解释的移动支持的协作框架（MSCF）的安全性。本文介绍了支持新算法的多帧签名和基于异常的入侵检测系统（MSAIDS），并在现有IDS中包含新规则。主要目标是检测恶意攻击，阻止流氓DHCP服务器的非法活动。这种创新的安全机制增强了用户的信心，保护网络免受非法干预，恢复用户的隐私。最后，本文通过仿真验证了这一想法，并将研究结果与已知的现有技术进行了比较。
2012-10-07 cs.CR
A Collaborative Intrusion Detection System Using Snort IDS Nodes
本文提出一种基于Snort节点的协作式入侵检测系统，通过中心节点集成与SIEM平台实现多节点数据共享与关联分析，提升大规模网络攻击检测准确性并降低误报，实验验证其高效性。
2025-04-23 cs.CR
Differentially Private Collaborative Intrusion Detection Systems For VANETs
车载自组织网络（VANET）是现代交通系统中提供安全和有价值信息的一种使能技术，但它容易受到从被动窃听到主动干扰等多种攻击。入侵检测系统是通过检测恶意行为来缓解威胁的重要设备。此外，车辆之间的合作，在VANELS可以提高检测精度，通过交流他们的经验之间的节点。为此，分布式机器学习是一个合适的框架，可扩展的和可实现的协同检测算法的设计在VANESTO。协作学习的一个基本障碍是节点之间交换数据时的隐私问题。恶意节点可以通过从观测数据中推断来获取其他节点的敏感信息。在本文中，我们提出了一个隐私保护的机器学习为基础的协同入侵检测系统（PML-CIDS）的VANESTUDIO。该算法将交替方向乘子法（ADMM）应用于一类经验风险最小化（ERM）问题，并训练分类器来检测VAN中的入侵。我们使用差分隐私来捕获PML-CIDS的隐私标记，并提出了一种双变量扰动的方法来提供动态的差分隐私。我们分析了理论性能，并描述了PML-CIDS的安全性和隐私性之间的基本权衡。我们还使用NSL-KDD数据集进行了数值实验，以证实检测精度，安全隐私权衡和设计的结果。
2020-05-02 cs.CR eess.SP
FedSA: Accelerating Intrusion Detection in Collaborative Environments with Federated Simulated Annealing
Universidade Federal Fluminense（弗鲁米嫩塞联邦大学）；Trinity College Dublin（都柏林圣三一学院）
快速识别新的网络攻击模式对于提高网络安全性至关重要。然而，识别异构网络中正在进行的攻击是一项不平凡的任务。联邦学习是入侵检测系统协同训练的一种解决方案。基于联邦学习的IDS使用联邦参与者提供的本地机器学习模型来训练全局模型，而不共享本地数据。然而，优化挑战是联邦学习固有的。本文提出了联邦模拟退火（FedSA）元启发式选择超参数和一个子集的参与者为每一个聚合轮联邦学习。FedSA优化与全局模型收敛相关的超参数。该提案减少了聚合轮数，加快了收敛速度。因此，FedSA加速了从本地模型中提取学习，需要更少的IDS更新。提案评估表明，FedSA全球模型在不到10轮的沟通中收敛。与传统的聚合方法相比，该提案需要减少多达50%的聚合轮次才能实现约97%的攻击检测准确率。
2022-05-23 cs.CR cs.LG
Introducing a Comprehensive, Continuous, and Collaborative Survey of Intrusion Detection Datasets
针对入侵检测数据集数量多、缺陷隐蔽且现有综述不全面、不及时的问题，本文推出由公开 GitHub 支持、持续更新并开放协作的 COMIDDS 网站，提供结构化、批判性且可操作的数据集信息。
2024-08-05 cs.CR
Collaborative Zone-Adaptive Zero-Day Intrusion Detection for IoBT
School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）；School of Systems & Computing, University of New South Wales（新南威尔士大学系统与计算学院）
本文提出ZAID框架，通过区域自适应和联邦学习提升IoBT中对未知攻击的检测性能，实现83.16%的准确率。
2026-02-18 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
PROTEAN: Federated Intrusion Detection in Non-IID Environments through Prototype-Based Knowledge Sharing
针对分布式网络中联邦学习因数据异质性导致入侵检测效果受限的问题，提出基于原型学习的PROTEAN框架，通过类原型知识共享实现非IID环境下的协作式隐私保护入侵检测，在IIoT和5G数据集上验证了其有效性。
2025-07-07 cs.CR
A Review of Performance, Energy and Privacy of Intrusion Detection Systems for IoT
物联网（IoT）是一项颠覆性技术，其应用范围涉及交通和物流系统、智能电网、灵巧家庭、联网车辆和智能城市等多个领域。随着这些基础设施的增长，对这些基础设施的攻击的数量和种类也在增加，突出了不同保护机制的重要性。入侵检测是杰出的保护机制之一，最近为物联网和物联网建立有效的入侵检测做出了显著的努力。然而，这种基础设施的独特特征，包括电池功率，带宽和处理器开销，以及网络动态可以影响入侵检测系统的操作。本文对物联网系统的现有入侵检测系统进行了全面研究，包括新兴系统，如车联网（IoV）。本文分析了现有的系统在三个方面：计算开销，能源消耗和隐私的影响。在对现有入侵检测方法进行严格分析的基础上，本文还确定了针对资源受限的物联网系统及其应用（如IoV）的入侵检测系统的有效和协作设计所面临的挑战。这些努力旨在突出物联网入侵检测的最新技术水平，以及需要在这些系统中实现有效入侵检测的具体努力的开放挑战。
2018-12-21 cs.CR
Integration of AI in Cybersecurity: Current Trends with a Focused Look at Intrusion Detection Applications
SIGL Laboratory, ENSATE, Abdelmalek Essaâdi University, Tetouan, Morocco（SIGL实验室、ENSATE、阿卜杜勒马利克·埃萨迪大学、突塔努安、摩洛哥）
本文综述了当前基于AI的网络安全趋势，重点分析入侵检测方法，通过比较不同AI技术和性能指标揭示有意义见解。
2026-05-17 cs.AI cs.CR cs.LG
Collaborative Approaches to Enhancing Smart Vehicle Cybersecurity by AI-Driven Threat Detection
Cisco（思科公司）；York University（约克大学）
本文探讨通过AI驱动的威胁检测及5G、区块链、量子计算等先进技术集成，以协作方式增强智能车辆网络安全，并强调高效入侵检测系统与安全软硬件栈在未来自动驾驶车辆中的关键作用。
2024-12-31 cs.AI cs.CR
Federated Intrusion Detection System Based on Unsupervised Machine Learning
针对监督学习标记负担重及数据隐私限制合作的问题，提出基于无监督学习的联邦IDS架构，并创新联邦K-means++初始化，在保持性能的同时增强隐私。
2025-03-28 cs.CR
CyberNFTs: Conceptualizing a decentralized and reward-driven intrusion detection system with ML
University of Prishtina（普里什蒂纳大学）；University of Oslo（奥斯陆大学）
本文提出一种结合区块链、cyberNFT奖励、机器学习及发布/订阅架构的去中心化协作入侵检测系统概念模型，并通过概念验证和分析比较方法探讨其优势与局限。
2024-08-31 cs.AI cs.CR cs.LG
Towards Adapting Federated & Quantum Machine Learning for Network Intrusion Detection: A Survey
School of Information Technology, Deakin University（信息科技学院，德金大学）
本综述探讨联邦学习（FL）与网络入侵检测系统（NIDS）的集成，分析FL架构、隐私技术及量子联邦学习（QFL）潜力，通过比较研究勾勒工业应用路线图，为增强联邦入侵检测系统性能提供参考。
2025-11-12 cs.AI cs.CR
Decentralized Online Federated G-Network Learning for Lightweight Intrusion Detection
Polish Academy of Sciences（波兰科学院）；University of Stuttgart（斯图加特大学）；CNRS（法国国家科学研究中心）；Yaşar University（亚萨尔大学）
本文提出基于G网络模型的去中心化在线联邦学习入侵检测架构DOF-ID，在保护各组件数据隐私的同时实现跨组件协作学习，并在Kitsune和Bot-IoT数据集上验证其显著提升检测性能。
2023-11-28 cs.CR cs.LG cs.NI
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
Federated Learning-Enhanced Blockchain Framework for Privacy-Preserving Intrusion Detection in Industrial IoT
针对工业物联网传统入侵检测的隐私、延迟与单点故障问题，提出结合联邦学习与区块链的FL-BCID框架，通过边缘协同训练与链上存证实现高准确率、低开销的隐私保护入侵检测。
2025-05-21 cs.CR
A review of Federated Learning in Intrusion Detection Systems for IoT
University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））
入侵检测系统正在发展成为智能系统，执行数据分析，搜索其环境中的异常。深度学习技术的发展为构建更复杂、更有效的威胁检测模型打开了大门。然而，在大多数物联网设备中，训练这些模型在计算上可能是不可行的。目前的方法依赖于从所有各方接收数据的强大的集中式服务器，这违反了基本的隐私限制，并由于巨大的通信开销而大大影响了响应时间和运营成本。为了缓解这些问题，联邦学习成为一种有前途的方法，其中不同的代理协作训练共享模型，既不向其他人暴露训练数据，也不需要计算密集型的集中式基础设施。本文主要研究联邦学习方法在入侵检测领域中的应用。这两种技术进行了详细描述，目前的科学进展进行了审查和分类。最后，本文强调了在最近的工作中存在的局限性，并提出了一些未来的发展方向，这项技术。
2022-04-29 cs.CR cs.LG
Collaborative Learning for Cyberattack Detection in Blockchain Networks
University of Technology Sydney (UTS)（悉尼科技大学）；Advanced Institute of Engineering and Technology (AVITECH)（先进工程技术学院）；University of Engineering and Technology, Vietnam National University, Hanoi（越南国家大学河内工程技术大学）；VNU Information Technology Institute（越南国家大学信息技术学院）
本文针对区块链网络层攻击，提出基于深度信念网络的协作学习检测框架，通过节点本地学习并共享知识，在保护隐私的同时实现高达98.6%的检测准确率。
2024-05-06 cs.CR cs.LG
RCNF: Real-time Collaborative Network Forensic Scheme for Evidence Analysis
网络取证技术通过监控和检查网络流量来帮助跟踪不同类型的网络攻击。然而，随着当前网络的高速和大规模，以及攻击者的复杂哲学，特别是模仿正常行为和/或擦除痕迹以避免检测，调查此类犯罪需要智能网络取证技术。提出了一种实时的【形】协同网络取证方案（RCNF），可以对网络入侵进行监测和调查。该方案包括捕获和存储网络数据，使用卡方方法选择重要的网络特征和调查异常事件，使用一种新的技术称为相关性变化三个组成部分。我们提供了一个案例研究，使用UNSW-NB 15数据集评估该计划，显示其高性能的准确性和误报率相比，最近的三个国家的最先进的机制。
2017-11-08 cs.CR
OptiFLIDS: Optimized Federated Learning for Energy-Efficient Intrusion Detection in IoT
Laboratory of Research in Informatics (LaRI), Faculty of Sciences, Ibn Tofail University, Kenitra, Morocco（信息研究实验室（LaRI）、科学学院、伊本·托法尔大学、肯特拉，摩洛哥）
针对物联网入侵检测中联邦学习面临的数据异构和高能耗问题，提出OptiFLIDS方法，通过本地剪枝和定制聚合，在保持检测性能的同时提升能源效率。
2025-10-13 cs.AI cs.CR cs.LG
AndroIDS : Android-based Intrusion Detection System using Federated Learning
针对安卓移动物联网设备易受攻击的问题，提出基于联邦学习的入侵检测框架AndroIDS，利用系统调用轨迹实现隐私保护的协作异常检测，在IID和非IID条件下分别达到96.46%和92.87%的准确率，验证了其鲁棒性和实际部署可行性。
2025-06-19 cs.CR
TabSec: A Collaborative Framework for Novel Insider Threat Detection
针对企业数据面临的内外威胁边界模糊、稀有攻击难检测的问题，提出融合IDS与UEBA的协作检测框架TabITD，结合TabNet稀疏注意力特征选择机制，提升检测性能，两数据集上平均准确率超96%。
2024-11-04 cs.CR
EdgeDetect: Importance-Aware Gradient Compression with Homomorphic Aggregation for Federated Intrusion Detection
Istanbul Technical University（伊斯坦布尔理工大学）
EdgeDetect通过梯度智能压缩和同态加密，在带宽受限的6G-IoT环境中实现高效且隐私保护的联邦入侵检测，实验表明其在准确率、通信效率和隐私保护方面取得良好平衡。
2026-04-16 cs.CR
Intrusion Detection based on Federated Learning: a systematic review
本文系统综述2018至2022年基于联邦学习的入侵检测研究，梳理模型、数据集、聚合函数与实现库，并指出挑战和未来方向。
2023-08-18 cs.CR
Discovery of Malicious Attacks to Improve Mobile Collaborative Learning (MCL)
移动协作学习（MCL）是世界范围内教育机构和一些组织高度认可和关注的范式。它展示了各种联合思想的智力协同作用，以处理问题并激发相互理解的社会活动。为了改进和促进MCL的基线，引入了几个支持架构，框架，包括一些移动应用程序。据报道，有限的研究，特别是重点加强这些pardigs的安全性，并提供安全的MCL的用户。本文针对MCL过程中出现的流氓DHCP服务器影响和破坏网络资源的问题进行了处理。流氓DHCP是未经授权的服务器，它向用户发布错误的IP地址并非法嗅探流量。该贡献特别提供了隐私的用户，并提高了安全方面的移动支持的协作框架（MSCF）。通过在入侵检测系统和入侵检测模型中增加新的规则，提出了支持新算法的多帧特征和异常的入侵检测系统（MSAIDS）。主要目标是检测恶意攻击，阻止流氓DHCP服务器的非法活动。这种创新的安全机制增强了用户的信心，保护网络免受非法干预，恢复用户的隐私。最后，本文通过仿真验证了这一想法，并与其他现有技术的结果进行了比较。
2012-08-10 cs.CR cs.NI
Enhancing Critical Infrastructure Cybersecurity: Collaborative DNN Synthesis in the Cloud Continuum
针对关键基础设施在云连续体中的网络安全挑战，本文提出利用训练好的边缘云模型合成中心云模型的方法，以降低计算复杂性和保持入侵检测准确性，并通过与传统及协作技术对比验证其有效性。
2024-05-23 cs.CR cs.NI
A Cyber Threat Intelligence Sharing Scheme based on Federated Learning for Network Intrusion Detection
提出基于联邦学习的协作式威胁情报共享框架，允许多组织在不共享敏感数据的情况下联合训练网络入侵检测模型，并在NetFlow格式数据集上验证其有效性。
2021-11-04 cs.AI cs.CR cs.LG
AoI-Guided Client Selection for Robust and Timely Federated Intrusion Detection in Cloud-Edge Security Analytics
King's College London（伦敦国王学院）
本文研究了在云边安全分析中如何通过时延感知的客户端选择提升联邦入侵检测的及时性和鲁棒性，提出三种轻量级策略并验证其有效性。
2026-05-07 cs.CR cs.DL
TRIDEnT: Building Decentralized Incentives for Collaborative Security
复杂的大规模攻击，特别是利用零日漏洞时，有可能对组织和关键基础设施造成破坏性破坏。为了及时发现和遏制此类攻击，防御者之间的合作至关重要。通过关联来自多个来源的实时检测信息（警报）（协同入侵检测），防御者可以及时检测攻击并采取相应的防御措施。然而，尽管存在促进协作的技术工具，但这种协作安全机制在现实世界中的应用仍然不足。这在很大程度上是由于缺乏对公司和组织的信任和参与激励。本文提出了TRIDEnT，一种新型的协作平台，旨在使各方能够和激励各方交换网络警报数据，从而提高他们的整体检测能力。TRIDEnT允许可能存在竞争关系的各方以（近）实时对等流的形式有选择地宣传、销售和获取安全警报。为了验证TRIDEnT背后的基本原则，我们提出了一个直观的博弈论模型的警报共享，这是独立的利益，并表明，合作必然会发生无限频繁。此外，为了证明我们方法的可行性，我们使用以太坊智能合约以分散的方式实例化我们的设计，并提供一个功能齐全的原型。
2019-05-09 cs.CR
F-ACVAE: A Federated Adaptive Conditional Variational Auto-Encoder for Privacy-Preserving Intrusion Detection in IoT Networks
Department of Computer Engineering, Ne. C., Islamic Azad University, Neyshabur, Iran（伊朗奈什巴尔伊斯兰Azad大学计算机工程系）
针对物联网设备网络中入侵检测面临的挑战，提出F-ACVAE框架，通过选择性参数聚合实现跨设备协作训练，引入新策略增强稳定性，实验表明其检测性能高且通信开销低。
2026-07-07 cs.CR cs.LG
Cybersecurity in Edge Computing: A Trust-Aware Federated Hybrid Intrusion Detection Framework
Victoria University（维多利亚大学）
针对边缘计算中扩大的攻击面，提出一种信任感知联邦混合入侵检测框架（TA-FHIDF），集成自动编码器、1D-CNN和BiLSTM进行本地特征提取，并通过联邦学习与余弦相似度聚合抵御投毒攻击，在多个基准数据集上验证了高准确性和拜占庭容错性。
2026-10-01 cs.CR cs.LG
StatAvg: Mitigating Data Heterogeneity in Federated Learning for Intrusion Detection Systems
MetaMind Innovation P.C.（MetaMind创新有限公司）；University of Western Macedonia（西马其顿大学）；K3Y Ltd（K3Y有限公司）；Democritus University of Thrace（色雷斯德谟克利特大学）；Kingston University London（伦敦金斯顿大学）
针对联邦学习入侵检测中的数据异构问题，提出StatAvg方法，通过共享和聚合数据统计信息实现通用归一化，兼容任意聚合策略，实验证明其有效缓解非独立同分布特征。
2024-05-20 cs.AI cs.CR cs.DC
Federated Deep Learning for Intrusion Detection in IoT Networks
Cardiff University（卡迪夫大学）；Toshiba Europe Ltd.（东芝欧洲有限公司）
针对物联网入侵检测中的数据隐私和异质性问题，本文基于 TON-IoT 数据集评估了联邦学习入侵检测系统，并通过预训练初始全局模型使 F1 分数提升超 20%。
2023-08-04 cs.CR cs.LG
GowFed -- A novel Federated Network Intrusion Detection System
University of the Basque Country UPV/EHU（巴斯克大学 UPV/EHU）
网络入侵检测系统正在发展成为智能系统，在搜索环境中的异常的同时执行数据分析。事实上，深度学习技术的发展为构建更复杂、更有效的威胁检测模型铺平了道路。然而，在大多数边缘或IoT设备中，训练这些模型在计算上可能是不可行的。目前的方法依赖于从所有参与方接收数据的强大的集中式服务器-违反基本的隐私约束，并且由于巨大的通信开销而显著影响响应时间和运营成本。为了缓解这些问题，联邦学习成为一种有前途的方法，其中不同的代理协作训练共享模型，而不向其他人公开训练数据或需要计算密集型的集中式基础设施。这项工作提出了GowFed，一种新的网络威胁检测系统，结合使用高尔相异性矩阵和联邦平均。GowFed的不同方法已经基于最先进的知识开发出来：（1）香草版本;（2）带有注意力机制的版本。此外，每个变体都使用TensorFlow Federated框架提供的面向仿真的工具进行了测试。以同样的方式，联邦系统的集中式类似的开发进行探索他们的差异，在可扩展性和性能方面-在一组设计的实验/方案。总的来说，GowFed打算成为联合使用联邦学习和高尔相异矩阵来检测工业级网络中的网络威胁的第一个垫脚石。
2022-11-02 cs.CR cs.LG
Reliable Federated TinyML Deployment for IoT Security
The Pennsylvania State University（宾夕法尼亚州立大学）；Elizabethtown College（伊丽莎白敦学院）
本研究将联邦学习与TinyML模型压缩结合用于物联网入侵检测，通过服务器协调的余弦学习率调度将攻击召回率从46.7%提升至93.85%，实现轻量级隐私保护部署。
2026-09-24 cs.CR cs.LG
Fuse and Federate: Enhancing EV Charging Station Security with Multimodal Fusion and Federated Learning
Rabah Rahal Networks and Systems Laboratory (LRS), Badji Mokhtar Annaba University, Algeria（拉比·拉尔实验室，巴吉·莫克塔尔安纳巴大学，阿尔及利亚）；Abdelaziz Amara korba Networks and Systems Laboratory (LRS), Badji Mokhtar Annaba University, Algeria（阿卜杜勒阿齐兹·阿马拉·科尔巴实验室，巴吉·莫克塔尔安纳巴大学，阿尔及利亚）；L3I, University of La Rochelle, France（L3I，拉罗歇尔大学，法国）
针对EVSE面临的复杂网络攻击，提出融合网络流量与内核事件的多模态联邦学习入侵检测框架，在去中心化环境中检测率超98%、精确率超97%。
2025-06-07 cs.AI 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
Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning
针对异构IoT网络中集中式IDS的高延迟、隐私泄露和数据异构问题，提出FLEKD联邦学习框架，以集成知识蒸馏实现灵活聚合，提升检测速度、性能及未知攻击识别能力。
2024-01-22 cs.CR
Federated Learning in the Wild: A Comparative Study for Cybersecurity under Non-IID and Unbalanced Settings
Fondazione Bruno Kessler（布鲁诺·克塞勒基金会）；University of Trento（特伦托大学）
本研究系统比较多种联邦学习算法在非独立同分布和不平衡数据下对DDoS攻击的网络入侵检测性能，为实际部署提供选择依据。
2026-11-06 cs.CR
Augmenting Zero Trust Architecture to Endpoints Using Blockchain: A State-of-The-Art Review
为了防止当今无边界网络中的横向移动，零信任架构（ZTA）的采用正在获得动力。通过全面的ZTA实施，攻击者不太可能从受损的端点开始通过网络传播。然而，已经认证和授权的会话的一个妥协的端点可以利用执行有限的，但恶意的活动，最终使端点的致命弱点ZTA。为了有效地检测这种攻击，分布式协同入侵检测系统与攻击的基于网络的方法已经开发出来。尽管如此，高级持续性威胁（APT）已经证明了它们能够以很高的成功率绕过这种方法。因此，攻击者可以不被发现地通过或潜在地改变检测记录机制以实现隐身。最近，区块链技术在网络安全领域展示了可靠的用例。在本文中，受ZTA和基于区块链的入侵检测和预防的融合的启发，我们研究了如何将ZTA扩展到端点。也就是说，我们对ZTA模型、以端点为重点的现实体系结构和基于区块链的入侵检测系统进行了最先进的审查。我们讨论了区块链的不变性加强检测过程的潜力，并确定了开放的挑战以及潜在的解决方案和未来的方向。
2021-11-15 cs.CR
PenTiDef: Decentralized Federated Intrusion Detection System with Differential Privacy and Latent-Space Defense via Blockchain Coordination in IIoT
Information Security Lab（信息安全部实验室）；University of Information Technology（信息技术大学）；Vietnam National University（越南国家大学）；VNU-HCM Information Security Center（VNU-HCM信息安全部中心）
本文提出PenTiDef，一种完全去中心化、隐私保护且抗中毒的联邦入侵检测系统（DFL-IDS）。该系统整合了三个关键组件：（i）客户端侧的分布式差分隐私（DDP）通过随机高斯噪声保护梯度泄露；（ii）一个轻量级的潜在空间防御模块，通过自动编码器提取并压缩倒数第二层表示（PLRs）为稳定的潜在语义表示（LSRs），随后通过中心核对齐（CKA）和K-均值聚类进行鲁棒的恶意更新检测，无需辅助数据集；（iii）一个许可型区块链层，通过智能合约协调链上验证、安全FedAvg聚合和不可变审计性，消除任何中心服务器。在CIC-IDS2018和Edge-IIoTSet上进行的大量实验表明，在独立同分布（IID）和现实非独立同分布（non-IID）设置下，即使对抗比例高达40%，PenTiDef在检测准确率和F1分数上均优于最先进的基线（FLARE和FedCC），同时保持较低的训练开销。通过在统一的安全聚合协议中共同解决隐私、鲁棒性和去中心化问题，PenTiDef为异构、对抗性的工业物联网环境中的可信协作入侵检测提供了实用且可扩展的解决方案。
2026-05-21 cs.AI cs.CR
A Novel Federated Learning-Based IDS for Enhancing UAVs Privacy and Security
Department of Computer Science, University of York（计算机科学系，约克大学）；WISE Lab., Dept. of Computer Engineering, Hacettepe University（WISE实验室，计算机工程系，哈切塔佩大学）
本文提出了一种基于联邦学习的入侵检测系统FL-IDS，通过去中心化协作训练保护无人机网络数据隐私，降低计算存储成本，并结合BTSC方法在低攻击比例下提升性能，为UAV网络提供了隐私感知的安全方案。
2025-06-26 cs.CR cs.LG
Minos: A Multi-Agent Collaborative Framework for Provenance-Based Backward Tracking
Zhejiang University（浙江大学）；Ningbo Key Laboratory of Quantum Software and Security（宁波量子软件与安全重点实验室）；Hofstra University（霍夫斯特拉大学）
提出多智能体框架Minos，利用LLM驱动推理进行基于溯源的反向追踪，通过分层上下文管理、检索增强推理和有限状态机协调四个智能体，有效缓解依赖爆炸，在5个数据集上平均召回率0.92、精确率0.64，攻击子图压缩49%。
2026-07-02 cs.CR
Physics-Attested Federated Learning: Securing Collaborative Anomaly Detection in Critical Water Infrastructure
RMIT University（皇家墨尔本理工大学）；Auckland University of Technology（奥克兰理工大学）
该研究提出物理认证的联邦学习，利用自动挖掘的网络物理不变量作为准入门控，抵御遥测伪造和重放投毒，在多个水测试平台上验证了有效性，并采用零知识证明保护数据隐私。
2026-11-06 cs.CR cs.LG
Decoherence as Defence and the Magnitude of Noise Regularisation: A Rigorous N -Qubit Theory of Stochastic Quantum Neural Networks for Adversarially Robust Network Intrusion Detection
Efrei Research Lab, Efrei Paris Panth\'eon-Assas Universit\'e, Villejuif, France
本文提出N量子比特随机量子神经网络（SQNN）的严格形式化，证明退极化信道实现定量防御，并推导出逐门dropout的曲率加权L2惩罚公式，在NSL-KDD数据集上验证了鲁棒性提升。
2026-06-24 cs.CL cs.CR
Detecting FDI Attack on Dense IoT Network with Distributed Filtering Collaboration and Consensus
物联网的兴起使得越来越多的个性化服务的发展成为可能，例如经常处理大量数据的工业服务。然而，随着物联网的发展，其威胁也越来越大。虚假数据注入（FDI）攻击是对物联网等数据网最有害的攻击之一。目前处理这种攻击的大多数系统都没有考虑到数据验证，特别是在数据聚类服务上。这项工作引入了CONFINIT，这是一种针对密集物联网数据传播服务的FDI攻击的入侵检测系统。它结合了看门狗监控和物联网设备之间的协作共识，以快速检测攻击者。在NS-3模拟器中对CONFINIT进行了密集工业物联网的评估，它的检测率为99%，假阴性率为3.2%，假阳性率为3.6%，在没有FDI攻击者的情况下，检测率高达35%。
2020-10-29 cs.CR cs.DC cs.NI
Learning from Few Samples: A Novel Approach for High-Quality Malcode Generation
Huazhong University of Science and Technology（华中科技大学）；Peking University（北京大学）
针对入侵检测系统（IDS）训练中标记恶意样本不足的问题，本文提出半监督框架GANGRL-LLM，结合生成对抗网络（GANs）与大型语言模型（LLMs），在少样本场景下增强恶意代码生成与SQL注入检测能力，实验证明其有效性，为自适应防御系统提供新方案。
2025-08-25 cs.AI cs.CR
Clustered Federated Learning Architecture for Network Anomaly Detection in Large Scale Heterogeneous IoT Networks
提出一种基于联邦学习与无监督设备聚类算法的架构，用于在大型分布式异构物联网中训练网络入侵检测模型，有效解决数据孤岛与网络开销问题，并在包含真实攻击的复杂测试平台中验证了其有效性。
2023-07-27 cs.CR
Secure UAV Swarms in Low-Altitude Wireless Networks: Challenges and Solutions
School of Cyber Science and Engineering, Xi’an Jiaotong University（西安交通大学网络空间安全学院）
针对无人机群在低空无线网络中面临的安全威胁，提出云边端协同防御框架，包含抗GPS欺骗、内部威胁缓解和多跳攻击溯源三种机制。
2026-05-26 cs.CR
Zero-Trust Agentic Federated Learning for Secure IIoT Defense Systems
Independent Researcher（独立研究者）
提出零信任代理联邦学习框架，结合加密认证、SHAP加权聚合算法和隐私保护对抗训练，提升工业物联网安全性和检测准确性。
2025-12-29 cs.AI cs.CR cs.DC
