CND-IDS: Continual Novelty Detection for Intrusion Detection Systems
University of California, San Diego(加利福尼亚大学圣迭戈分校)
针对数据流持续变化且攻击标签缺失的问题,本文提出 CND-IDS 框架,结合可更新特征提取器与 PCA 重构新颖性检测器,在真实数据集上显著优于无监督持续学习基线。
2025-02-19 cs.CR cs.LG
An Evolution Strategy Approach toward Rule-set Generation for Network Intrusion Detection Systems (IDS)
随着系统和网络基础设施中入侵数量的增加,入侵检测系统(IDS)已成为一个活跃的研究领域,以开发可靠和有效的解决方案来检测和应对它们。进化算法在入侵检测系统中的应用已经证明了它的成熟性。虽然大多数的研究工作都是基于使用遗传算法在入侵检测系统中,本文提出了一种方法对规则的生成,用于识别异常连接使用演化策略。重点是如何将问题建模为ES原语,以及如何评估种群的适应度以找到局部最优解,从而产生可用于入侵检测系统中检测入侵的最优规则。
2012-12-01 cs.CR cs.NE
Using EBGAN for Anomaly Intrusion Detection
Shanghai University(上海大学);Xi’an Innovation College, Yan’an University(延安大学西安创新学院);United Automotive Electronic Systems Co.(联合汽车电子有限公司)
作为一种主动的网络安全防护方案,入侵检测系统(IDS)承担着检测以恶意网络流量为形式的网络攻击的重要职责。入侵检测技术是入侵检测系统的重要组成部分。目前,许多学者对入侵检测技术进行了广泛的研究。然而,针对海量网络流量数据,开发一种高效的入侵检测方法仍然是一个难点。由于生成对抗网络(GANs)对复杂的高维数据具有强大的建模能力,因此它们为解决这一问题提供了新的思路。本文提出了一种基于EBGAN的入侵检测方法IDS-EBGAN,该方法将网络记录分为正常流量和恶意流量。IDS-EBGAN中的生成器负责将训练集中的原始恶意网络流量转换为对抗性恶意示例。这是因为我们希望使用对抗学习来提高恶意流量检测的能力。同时,该编码器采用自动编码器模式。在测试过程中,IDS-EBGAN使用的重构误差的统计量来分类的交通记录。
2022-06-21 cs.AI cs.CR
Deep Learning-based Intrusion Detection Systems: A Survey
KLISS, BNRist, School of Software, Tsinghua University(KLISS、BNRist、软件学院、清华大学)
本综述从深度学习视角系统回顾了DL-IDS的各个阶段,包括数据处理与攻击检测,并介绍了公开基准数据集及未来研究方向,以帮助研究者理解并推动该领域发展。
2025-10-13 cs.AI cs.CR
PWG-IDS: An Intrusion Detection Model for Solving Class Imbalance in IIoT Networks Using Generative Adversarial Networks
Henan University(河南大学);National Institute of Technology Kurukshetra(库鲁克舍特拉国立技术学院);Asia University(亚洲大学);GuangZhou University(广州大学)
随着工业物联网(IIoT)技术的不断发展,网络安全变得越来越重要。而入侵检测是其安全性的重要组成部分。然而,由于攻击流量与正常流量相比非常小,这种不平衡使得入侵检测非常困难。针对这种不平衡,提出了一种预训练Wasserstein生成对抗网络入侵检测系统(PWG-IDS)。该系统分为两个主要模块:1)在该模块中,我们首次在Wasserstein梯度惩罚生成对抗网络(WGAN-GP)中引入了预训练机制,首先使用正常的网络流量对WGAN-GP进行训练,然后将不平衡数据输入到预训练好的WGAN-GP中进行重新训练,生成最终所需的数据。2)入侵检测模块:我们使用LightGBM作为分类算法来检测IIoT网络中的攻击流量。实验结果表明,我们提出的PWG-IDS优于其他模型,在两个数据集上的F1分数分别为99%和89%。并且我们提出的预训练机制也可以广泛应用于其他GANs中,为GANs的训练提供了一种新的思路。
2021-10-06 cs.AI cs.CR
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
Generative AI and Federated Learning for Intrusion Detection Systems: A Survey
Department of Computer Science, New Mexico State University(新墨西哥州立大学计算机科学系);University of Hartford(哈特福德大学);DEVCOM Analysis Center(DEVCOM分析中心)
本文综述了生成式AI和联邦学习在入侵检测中的应用,涵盖模型分类、任务目标及集成方法,并讨论了数据质量、对抗风险等挑战。
2026-07-03 cs.AI cs.CR cs.LG
On the model-checking-based IDS
如何对基于模型检验(MC)技术的各种入侵检测(ID)算法进行综合性能比较?针对这一问题,本文对基于模型检验的入侵检测算法进行了测试。首先,分别采用线性时序逻辑(LTL)、区间时序逻辑(ITL)和实时攻击特征逻辑(RASL)建立了24种攻击的公式模型。在此基础上,构造了一个标准入侵集--基于模型检验的入侵检测入侵集(ISIDMC)。在此基础上,对基于模型检验的入侵检测算法的检测能力和效率进行了详尽的比较
2018-06-25 cs.CR
AI-Driven Intrusion Detection Systems (IDS) on the ROAD Dataset: A Comparative Analysis for Automotive Controller Area Network (CAN)
LTCI, Télécom Paris, Institut Polytechnique de Paris(巴黎综合理工学院电信学院LTCI研究所);Ampere Software Technology(安培软件技术公司);University of Bologna(博洛尼亚大学)
本文针对汽车CAN总线安全,利用包含隐蔽复杂注入的ROAD数据集,对比深度学习与传统机器学习IDS在常用数据集和更真实数据集上的性能差异,揭示现有评估的局限性。
2024-09-05 cs.AI cs.CR cs.LG
MTH-IDS: A Multi-Tiered Hybrid Intrusion Detection System for Internet of Vehicles
Western University(韦仕敦大学)
现代车辆,包括联网车辆和自动驾驶车辆,现在涉及通过车内网络连接的许多电子控制单元,以实现各种功能并执行动作。现代车辆还通过车联网技术连接到外部网络,使其能够与其他车辆,基础设施和智能设备进行通信。然而,现代车辆的功能和连接性的改善也增加了它们对针对车内和外部网络的网络攻击的脆弱性,因为攻击面很大。为了保护车辆网络,许多研究人员都集中在开发入侵检测系统(IDS),利用机器学习方法来检测恶意的网络攻击。在本文中,车内和外部网络的脆弱性进行了讨论,并提出了一个多层的混合IDS,结合基于特征的IDS和基于异常的IDS检测已知和未知的攻击车辆网络。实验结果表明,该系统可以检测各种类型的已知攻击,在代表车内网络数据的CAN入侵数据集上的准确率为99.99%,在说明外部车辆网络数据的CICIDS2017数据集上的准确率为99.88%。对于零日攻击检测,所提出的系统在上述两个数据集上分别实现了0.963和0.800的高F1分数。每个数据包在车辆级机器上的平均处理时间小于0.6 ms,这表明该系统在实时车辆系统中实现的可行性。这强调了所提出的入侵检测系统的有效性和效率。
2021-05-26 cs.AI cs.CR cs.LG
Understanding Modern Intrusion Detection Systems: A Survey
入侵检测系统(IDS)帮助检测可能危及资源的机密性、完整性或可用性的未经授权的活动或入侵。本文介绍了入侵检测系统的一般概述,它们的分类方式,以及用于检测异常活动的不同算法。它试图比较入侵技术的各种方法。它还描述了各种方法和IDS在信息安全中的重要性。
2017-11-30 cs.CR cs.NI
QML-IDS: Quantum Machine Learning Intrusion Detection System
本文提出QML-IDS,一种结合量子与经典计算的入侵检测系统,利用量子机器学习分析网络模式,在公开数据集上优于经典方法,展现量子增强网络安全的潜力。
2024-10-07 cs.CR
Jev-IDS: System One Models for Network Intrusion Detection
Federal University of Pampa (UNIPAMPA)(潘帕联邦大学(UNIPAMPA))
本文提出JEV-IDS,一种基于Jev System One模型的开放通用网络入侵检测系统,在标签稀缺下检测零日入侵,较GPT-5.6 Luna更快更便宜,且新攻击召回率更高,误报更少。
2026-10-02 cs.AI cs.CR
A Review of Various Datasets for Machine Learning Algorithm-Based Intrusion Detection System: Advances and Challenges
C V Raman Global University(C·V·拉曼全球大学)
本文系统综述了基于机器学习的入侵检测系统常用数据集及SVM、KNN、RF、XGBOOST等分类方法,分析了各数据集面临的挑战,为后续IDS研究提供参考。
2025-06-03 cs.AI cs.CR cs.LG
A Simple Framework to Enhance the Adversarial Robustness of Deep Learning-based Intrusion Detection System
Southeast University(东南大学);Purple Mountain Laboratories(紫金山实验室);National Digital Switching System And Engineering Technological Research Center(国家数字交换系统工程技术研究中心)
提出DLL-IDS框架,结合LID对抗样本检测器、DL-IDS与ML-IDS,利用低攻击可迁移性分流检测,以低资源消耗显著提升入侵检测系统的对抗鲁棒性。
2023-12-06 cs.AI cs.CR
Explainable Intrusion Detection Systems Using Competitive Learning Techniques
Mississippi State University(密西西比州立大学);U.S. Army Engineer Research and Development Center(美国陆军工程师研发中心)
当前人工智能(AI)入侵检测系统使用各种黑盒方法。这些黑盒方法通常使用基于错误的学习(EBL)技术进行训练,重点是创建准确的模型。这些模式具有很高的执行成本,并且不容易解释。基于白盒竞争学习(CL)的可解释入侵检测系统(X-IDS)为解决这些问题提供了一个潜在的解决方案。CL模型使用与EBL方法完全不同的学习范式。这种不同的学习过程使得CL家族的算法天生就可以解释,并且资源密集度更低。在本文中,我们创建了一个X-IDS架构,是基于DARPA的可解释系统的建议。在我们的架构中,我们利用CL算法,如自组织映射(SOM),生长自组织映射(GSOM)和生长分层自组织映射(GHSOM)。由此产生的模型可以进行数据挖掘,以创建统计和视觉解释。我们的架构使用NSL-KDD和CIC-IDS-2017基准数据集进行了测试,并产生比EBL模型低1% - 3%的准确率。然而,CL模型比EBL模型更容易解释。此外,我们使用的修剪过程,能够显着减少这些CL为基础的模型的大小。通过修剪模型,我们能够提高预测速度。最后,我们分析了我们的架构产生的统计和视觉解释,我们给出了一个策略,用户可以使用它来帮助导航的解释集。这些解释将帮助用户建立对入侵检测系统(IDS)的信任,并允许用户发现提高IDS效能的方法。
2023-03-30 cs.AI cs.CR cs.LG
STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion Detection System for Intelligent Connected Vehicles
Shanghai Jiao Tong University(上海交通大学);Jiangsu University(江苏大学);Southern University of Science and Technology(南方科技大学)
入侵检测是汽车通信安全的重要防御措施。准确的帧检测模型帮助车辆避免恶意攻击。攻击方法的不确定性和多样性使这项任务具有挑战性。然而,现有的工作有局限性,只考虑局部特征或多个特征的弱特征映射。为了解决这些局限性,我们提出了一种新的汽车入侵检测模型的时空相关功能的车载通信流量(STC-IDS)。具体而言,所提出的模型利用编码检测架构。在编码器部分,空间和时间关系被同时编码。为了加强特征之间的关系,基于注意力的卷积网络仍然捕获空间和通道特征以增加感受野,而注意力-LSTM则从先前的时间序列或关键字节中构建有意义的关系。然后将编码的信息传递到检测器,用于生成强有力的时空注意力特征并实现异常分类。特别地,单帧和多帧模型被构造以分别呈现不同的优点。在基于贝叶斯优化的自动超参数选择下,模型被训练以获得最佳性能。基于真实车辆攻击数据集的大量实证研究表明,STC-IDS的性能优于基线方法,在保持效率的同时获得更少的误报率。
2022-08-10 cs.AI 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
IDSGAN: Generative Adversarial Networks for Attack Generation against Intrusion Detection
Shanghai Jiao Tong University(上海交通大学);Indiana University Bloomington(印第安纳大学伯明顿分校)
入侵检测系统作为网络安全中必不可少的工具,承担着防御恶意网络攻击的重任。近年来,在机器学习算法的帮助下,入侵检测系统发展迅速。然而,当它面对对抗攻击时,该系统的鲁棒性是值得怀疑的。为了提高检测系统的鲁棒性,更多潜在的攻击方法正在研究之中。本文提出了一种生成对抗网络(IDSGAN)框架,用于生成对抗性恶意流量记录,通过欺骗和逃避检测来攻击入侵检测系统。假设检测系统的内部结构和参数对攻击者来说是未知的,对抗攻击示例对检测系统执行黑盒攻击。IDSGAN利用生成器将原始恶意流量记录转换为对抗性恶意流量记录。一个分类器对流量示例进行分类,并动态学习实时黑盒检测系统。更重要的是,限制修改机制是为对抗生成设计的,以保留对抗流量记录的原始攻击功能。通过对不同攻击类别的多个基于算法的检测模型进行攻击,验证了该模型的有效性。鲁棒性通过改变修改特征的数目来验证。与对抗攻击基线的对比实验表明了该模型的优越性。
2022-05-08 cs.AI cs.CR
Network Intrusion Detection Using Wrapper-based Decision Tree for Feature Selection
School of Computer Science and Technology, Changchun University of Science and Technology(长春理工大学计算机科学与技术学院)
基于机器学习(ML)的入侵检测系统(IDS)面临的主要挑战之一是昂贵的计算复杂性,这在很大程度上是由于IDS数据集中包含冗余、不完整和不相关的特征。为了克服这一挑战,保证建立高效、准确的入侵检测模型,许多研究者在混合建模方法中使用了归一化和特征选择等预处理技术。在这项工作中,我们提出了一个混合IDS建模方法与算法的特征选择(FS)和另一个用于建立一个IDS。FS算法是一个基于包装器的决策树作为特征评估器。提出的FS方法与一些选定的ML算法结合使用,使用UNSW-NB 15数据集构建IDS模型。有些IDS模型是作为基线在一个单一的建模方法使用数据集的全部功能。我们评估我们提出的方法的有效性,通过比较它与基线模型,也与国家的最先进的作品。我们的方法实现了97.95%的最佳DR,并且与最先进的作品相比非常有效。因此,我们建议使用它,特别是在IDS建模与UNSW-NB 15数据集。
2020-08-11 cs.CR cs.LG
Explainable Intrusion Detection Systems (X-IDS): A Survey of Current Methods, Challenges, and Opportunities
Mississippi State University(密西西比州立大学);U.S Army Engineer Research and Development Center(美国陆军工程研究与发展中心)
人工智能(AI)和机器学习(ML)在网络安全挑战中的应用在工业界和学术界获得了广泛的关注,部分原因是对云基础设施和政府机构等关键系统的广泛恶意软件攻击。入侵检测系统(IDS)使用某种形式的AI,由于其能够以高预测精度处理大量数据,因此得到了广泛的采用。这些系统托管在组织的网络安全运营中心(CSoC)中,作为一种防御工具来监控和检测恶意网络流,否则会影响机密性,完整性和可用性(CIA)。CSoC分析师依靠这些系统对检测到的威胁做出决策。然而,使用深度学习(DL)技术设计的IDS通常被视为黑盒模型,并且不提供其预测的理由。这给CSoC分析师造成了障碍,因为他们无法根据模型的预测改进决策。解决这个问题的一个方法是设计可解释的入侵检测系统(X-IDS)。本调查回顾了用于IDS的可解释AI(XAI)的最新技术,其当前的挑战,并讨论了这些挑战如何跨越到X-IDS的设计。特别是,我们全面讨论了黑盒和白盒方法。我们还提出了权衡这些方法在其性能和能力,以产生解释。此外,我们提出了一个通用的架构,认为人在循环,可以作为一个指导方针时,设计一个X-IDS。研究建议从三个关键的观点:需要定义可解释性的IDS,需要创建适合不同的利益相关者的解释,需要设计指标来评估解释。
2022-07-13 cs.AI cs.CR
MA-IDS: Multi-Agent RAG Framework for IoT Network Intrusion Detection with an Experience Library
本文提出MA-IDS框架,结合大语言模型与RAG技术,通过经验库实现自学习的入侵检测,实验表明其在物联网网络中具有高准确率和可解释性。
2026-04-07 cs.AI cs.CR
A Distributed Sequential Algorithm for Collaborative Intrusion Detection Networks
与基于主机的入侵检测系统(IDS)相比,协作入侵检测网络通常用于获得更好的检测精度和成本效率。通过合作,本地IDS可以检测到其他有经验的熟人可能知道的新攻击。本文提出了一种序贯假设检验方法,用于网络中各个入侵检测系统的反馈聚合。我们的模拟结果证实了我们的理论结果,并证明了性能的成本效率和准确性相比,其他探试法。分析结果的平均熟人咨询数的下限是必要的设计和配置的IDS在协作环境中。
2010-02-17 cs.CR cs.NI
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
Emerging Trends of Recently Published Datasets for Intrusion Detection Systems (IDS): A Survey
随着信息技术解决方案在现代世界中促进通信的无处不在的性质,网络攻击的数量正在增加,并且在性质上变得更加复杂。从经典的基于网络的拒绝服务(DoS)攻击到最近的隐私泄露问题,入侵检测系统(IDS)正在成为保护现代信息技术景观的迫切需要。这些IDS的开发依赖于训练和评估数据集,这些数据集必须随着时间的推移而发展,并代表当代的威胁格局。本分析的目的是探索这些最新的数据集,描述它们如何使研究工作和开发新的IDS。具体来说,最近发表的IDS研究的7个数据集已被审查,以及选定的出版物,采用他们。在此过程中,讨论强调需要发布更现代的数据集,特别是物联网(IoT)和智能手机设备等新兴技术的数据集,以确保现代网络和通信渠道的安全。此外,基于所讨论的数据集的分类已经开发,可用于为未来的研究工作提供数据集选择过程的信息。
2021-10-02 cs.CR
Sequential Binary Classification for Intrusion Detection
Ericsson(爱立信)
针对IDS数据集类别不平衡影响ML模型性能的问题,提出序列二进制分类(SBC)分层级联结构方法,实验证明该结构方法在基准IDS数据集上是处理多分类类别不平衡的可行方案。
2025-02-13 cs.CR cs.LG cs.NI
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
ThreatFormer-IDS: Robust Transformer Intrusion Detection with Zero-Day Generalization and Explainable Attribution
ThreatFormer-IDS通过结合加权监督学习、掩码自监督学习、PGD对抗训练和集成梯度归因,实现了在物联网和工业网络中高鲁棒性的入侵检测,具备零日泛化能力与可解释性。
2026-02-26 cs.AI cs.CR
Intrusion Detection Systems for Networked Unmanned Aerial Vehicles: A Survey
基于无人机(UAV)的民用或军用应用对于服务于民用和/或军事任务变得更加关键。对UAV应用的显著增加的关注也导致了安全问题,特别是在联网UAV的背景下。网络化的无人机容易受到恶意攻击,因此,入侵检测系统(IDS)已经自然地衍生来处理漏洞和/或攻击。在本文中,我们简要地调查国家的最先进的IDS机制,处理网络无人机环境下的漏洞和攻击。特别是,我们分类现有的IDS机制,根据信息收集来源,部署策略,检测方法,检测状态,IDS确认,和入侵类型。我们总结本文的研究挑战,见解和未来的研究方向,提出一个网络化的无人机入侵检测系统,满足所需的标准的有效性和效率的目标,安全性和性能。
2018-07-02 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
ARLIF-IDS -- Attention augmented Real-Time Isolation Forest Intrusion Detection System
Manipal Institute of Technology(马尼帕尔理工学院)
分布式拒绝服务(DDoS)攻击是一种恶意尝试,通过大量互联网流量淹没目标或其周围的基础设施,破坏目标服务器、服务或网络的正常流量。物联网和软件定义网络等新兴技术利用轻量级策略来早期检测DDoS攻击。以前的文献表明,入侵检测的显着特征的数量较少的效用。因此,有必要有一个快速,有效的安全识别模型的基础上,少量的特征。在这项工作中,提出了一种新的基于注意力的隔离森林入侵检测系统。该模型大大减少了生成模型的训练时间和内存消耗。对于性能评估,模型在两个基准数据集上进行评估,NSL-KDD数据集和KDDCUP'99数据集。实验结果表明,所提出的注意力增强模型实现了显着减少的执行时间,由91.78%,平均检测F1-得分为0.93的NSL-KDD和KDDCUP'99数据集。性能评估的结果表明,该方法具有较低的复杂度,所需的处理时间和计算资源较少,优于现有的基于机器学习算法的入侵检测系统。
2022-04-20 cs.AI cs.CR
ACORN-IDS: Adaptive Continual Novelty Detection for Intrusion Detection Systems
University of California, San Diego(加利福尼亚大学圣迭戈分校)
ACORN-IDS通过持续学习正常数据并利用无标注数据流的结构,实现无监督的入侵检测系统,提升对零日攻击的检测性能。
2026-02-07 cs.CR
On Benchmarking Intrusion Detection Systems in Virtualized Environments
Institute for Program Structures and Data(程序结构与数据研究所);Siemens Corporate Research Organization(西门子企业研究组织);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Coimbra(科英布拉大学)
本文分析了虚拟化环境中最新入侵检测技术及VMM基于IDS架构,探讨了基准测试中的挑战,如定义基准良性工作负载和恶意工作负载的影响,并展望了未来研究方向。
2014-10-05 cs.CR cs.SY eess.SY
Deep Adversarial Learning in Intrusion Detection: A Data Augmentation Enhanced Framework
University of Exeter(埃克塞特大学);China University of Petroleum (East China)(中国石油大学(华东))
入侵检测系统(IDS)在识别网络系统中的恶意攻击和威胁方面发挥着重要作用。作为入侵检测系统的基本工具,基于学习的分类方法得到了广泛的应用。当涉及到检测小样本大小的网络入侵时(例如,新兴的入侵),训练样本的数量有限和比例不平衡通常会给监督和半监督分类器的训练带来重大挑战。在本文中,我们提出了一个通用的网络入侵检测框架,以解决\emph{data scarcity}和\emph{data imbalance}的挑战。所提出的框架的新颖之处在于将深度对抗学习与统计学习相结合,并利用基于学习的数据增强。针对少量网络入侵样本,首先推导出Poisson-Gamma联合概率生成模型,利用蒙特卡罗方法生成综合入侵数据。然后,这些合成数据通过对抗性学习由深度生成神经网络增强。最后,采用扩充后的入侵数据训练监督模型,用于检测网络入侵。在KDD Cup 99数据集上的实验结果表明,该框架在准确率、查准率、查全率和F1得分等方面均优于现有的基于学习的入侵检测系统。
2019-01-27 cs.CR cs.LG
Fuzzy Aided Application Layer Semantic Intrusion Detection System - FASIDS
其目的是开发一个模糊辅助的应用层语义入侵检测系统(FASIDS),它工作在网络栈的应用层。FASIDS包括语义入侵检测系统和基于模糊的入侵检测系统。基于规则的IDS查找被定义为恶意的特定模式。如果非侵入性规则模式在短时间间隔内出现多次,则可能是恶意的。为了检测此类恶意活动,本文提出了FASIDS。在应用层,分析HTTP流量的报头和负载,以发现可能的入侵。在建议的误用检测模块中,语义入侵检测系统的工作规则的基础上,定义各种应用层的误用,发现在网络中。IDS识别的攻击基于规则库中的相应规则。一个事件,不使一个'命中'的规则库是给一个模糊入侵检测系统(FIDS)作进一步分析。
2010-05-25 cs.CR
Time-Based CAN Intrusion Detection Benchmark
University of Kentucky(肯塔基大学);Oak Ridge National Laboratory(橡树岭国家实验室)
现代车辆是由数百个电子控制单元(ECU)组成的复杂的网络物理系统,这些ECU通过控制器局域网(CAN)进行通信。这种继承的复杂性扩大了CAN攻击面,容易受到消息注入攻击。这些注入改变了总线上的消息的整体时序特性,因此,为了检测这些恶意消息,已经提出了基于时间的入侵检测系统(IDS)。然而,基于时间的入侵检测系统通常是在低保真度数据集上训练和测试的,具有不切实际的标记攻击。这使得评估、比较和验证IDS的任务变得困难。在这里,我们详细介绍了四个基于时间的IDS,并对新发布的ROAD数据集进行了基准测试,ROAD数据集是第一个开放的CAN IDS数据集,具有真实(非模拟)的隐形攻击,具有物理验证的效果。我们发现,通过明确估计消息时序分布来执行假设检验的方法比在分布相关统计中寻求异常的方法具有更低的性能。特别地,这些基于“分布不可知”的方法在精确度-召回率曲线下的面积(AUC-PR)方面优于“基于分布”的方法至少55%。我们的研究结果通过提供这些方法的详细信息并在具有真正高级攻击的数据集上进行测试时报告其结果来扩展CAN基于时间的IDS的知识体系。最后,我们开发了一个售后市场的插件检测器使用轻量级的硬件,它可以用来部署性能最好的IDS方法,几乎任何车辆。
2021-01-14 cs.CR cs.LG
Optimized IoT Intrusion Detection using Machine Learning Technique
Dept. of ECE North South University(电子工程系北南大学)
本研究提出一种基于五种机器学习算法(含随机森林等)的物联网入侵检测系统,通过特征选择与超参数调优,随机森林达最高准确率99.39%,优于以往研究。
2024-12-03 cs.CR cs.LG
Enhanced Intrusion Detection System for Multiclass Classification in UAV Networks
College of computing, Mohammed VI Polytechnic University(计算学院,穆莱·易斯·本·阿卜杜勒拉赫曼技术大学);Ibn Tofail University, Faculty of Sciences, Laboratory of Research in Informatics (LaRI)(伊本·托法尔大学,科学学院,信息研究实验室(LaRI))
本文提出一种用于无人机网络的新型入侵检测系统,采用二元组编码类标签和深度学习方法进行多分类,并通过互相关研究剔除误导性特征,在UAV-IDS-2020数据集上实现了95%的准确率。
2024-06-14 cs.CR cs.LG
SoK: Harmonizing Attack Graphs and Intrusion Detection Systems
Delft University of Technology(代尔夫特理工大学);Sapienza Univerisity of Rome(罗马第一大学)
本文首次系统分析了攻击图与入侵检测系统整合,揭示了现有研究多为单一用途整合,并提出了一种统一的生命周期框架以提升威胁检测和响应能力。
2026-03-09 cs.CR
A Transfer Learning and Optimized CNN Based Intrusion Detection System for Internet of Vehicles
Western University(韦仕敦大学)
现代车辆,包括自动驾驶车辆和联网车辆,与外部世界的连接越来越多,从而实现了各种功能和服务。然而,不断改善的连接性也增加了车联网(IoV)的攻击面,导致其易受网络威胁。由于车辆网络缺乏认证和加密过程,入侵检测系统(IDS)是保护现代车辆系统免受网络攻击的重要方法。针对车联网系统,提出了一种基于迁移学习和集成学习的入侵检测系统,该系统采用卷积神经网络(CNN)和超参数优化技术。在实验中,所提出的IDS在两个著名的公共基准车联网安全数据集(Car-Hacking数据集和CICIDS 2017数据集)上表现出超过99.25%的检测率和F1分数。这表明了所提出的IDS在车内和车外网络中的网络攻击检测的有效性。
2022-01-27 cs.AI cs.CR cs.CV
A Controlled Experiment on the Impact of Intrusion Detection False Alarm Rate on Analyst Performance
本文通过对照实验比较 50% 与 86% IDS 误报率,发现高误报率显著降低分析师精确率并增加任务耗时,但不显著影响检测敏感度。
2023-07-13 cs.CR
Generative Adversarial Networks for Distributed Intrusion Detection in the Internet of Things
Virginia Tech(弗吉尼亚理工大学)
为了获得物联网(IoT)的好处,必须保护系统免受网络攻击,以实现关键任务和实时应用。为此,入侵检测系统(IDS)已被广泛用于检测由物联网系统中的网络攻击者引起的异常。然而,由于物联网的大规模性质,IDS必须以分布式方式运行,对中央控制器的依赖性最小。此外,在许多情况下,如健康和金融应用程序,数据集是私有的,物联网设备可能不打算共享这些数据。为此,本文提出了一种分布式生成对抗网络(GAN),为物联网提供一个完全分布式的IDS,以便在不依赖任何集中式控制器的情况下检测异常行为。在这种架构中,每个IoTD都可以监控自己的数据以及邻居IoTD,以检测内部和外部攻击。此外,所提出的分布式IDS不需要在IoT之间共享数据集,因此,它可以在保护用户数据隐私的IoT中实现,例如健康监控系统或金融应用。分析表明,所提出的分布式GAN具有更高的检测入侵的准确性相比,一个独立的IDS,只有一个单一的IoTD数据集的访问。仿真结果表明,提出的分布式基于GAN的入侵检测系统具有高达20%的准确率,提高25%的精度,并降低60%的误报率相比,一个独立的基于GAN的IDS。
2019-06-03 cs.CR cs.LG cs.NI
Dynamic Multi Layer Signature based Intrusion Detection system Using Mobile Agents
入侵检测系统已经成为保证系统和网络安全的关键组成部分。随着网络规模的不断扩大和速度的不断提高,为IDS系统开发有效的可扩展技术至关重要。基于特征的检测是入侵检测系统中应用最广泛的威胁检测技术。基于签名的入侵检测系统面临的最大挑战之一是,当每个数据包都需要与数据库中的每个签名进行比较时,如何跟上大量的传入流量。当入侵检测系统无法跟上流量泛滥的速度时,它所能做的就是丢弃数据包,因此可能会错过潜在的攻击。本文提出了一种基于移动代理的动态多层签名入侵检测系统模型,该模型通过动态自动地创建和使用小型高效的多个数据库,并利用移动代理提供定期更新这些小型签名库的机制,从而以很高的成功率检测到迫在眉睫的威胁
2010-10-25 cs.CR
Machine Learning Techniques for Intrusion Detection
University of New Mexico(新墨西哥大学)
入侵检测系统(IDS)是一种监控单个计算机或计算机网络的恶意活动(攻击)的软件,这些恶意活动旨在窃取或审查信息或破坏网络协议。当今的入侵检测系统中使用的大多数技术都不能处理对计算机网络的动态和复杂的网络攻击。因此,像各种机器学习技术的有效自适应方法可以导致更高的检测率、更低的误报警率以及合理的计算和通信成本。在本文中,我们研究了几个这样的计划,并比较其性能。我们将方案分为基于经典人工智能(AI)的方法和基于计算智能(CI)的方法。我们解释了CI技术的各种特性可以用来构建高效的IDS。
2015-05-09 cs.CR cs.LG cs.NI
Intrusion Detection on Smartphones
International Burch University(国际布尔奇大学)
智能手机技术越来越成为世界各地人们的主要通信工具。人们使用他们的智能手机来保存他们的联系人数据,浏览互联网,交换消息,保存笔记,携带他们的个人文件和文档等。用户在浏览时也能够在线购物,因此需要输入他们的信用卡号码和安全代码。随着智能手机的普及,这项技术面临的安全威胁和漏洞也越来越多。最近的新闻和文章表明,智能手机(主要是Android和iOS)上使用的操作系统的恶意软件和病毒大幅增加。智能手机技术的主要限制是其处理能力和稀缺的能源,因为智能手机依赖于电池的使用。由于智能手机是随着用户在不同地方之间移动而改变其网络位置的设备,因此用于智能手机技术的入侵检测系统通常被分类为针对移动自组织网络设计的IDS。本研究的目的是简要介绍IDS技术,概述IDS技术中使用的主要机器学习和模式识别算法,概述iOS和Android的安全模型,提出一种新的基于主机的智能手机IDS模型,并为新提出的模型创建Android平台的概念验证应用程序。关键词:IDS,SVM,Android,iOS;
2012-11-28 cs.AI cs.CR
Enhancing Autonomous Online Intrusion Detection for IoT with Balanced Learning, Reliable Pseudo-Labels, and Lightweight Architectures
School of Electrical Engineering and Computer Science (SEECS)(电气工程与计算机科学学院);National University of Sciences and Technology (NUST)(国立科学与技术大学)
针对AOC-IDS在类不平衡、伪标签不可靠、泛化性差和计算开销大等四方面缺陷,提出XGBoost-BalSamp、PseudoFilter、MixupAug和LiteAE等改进方法,在UNSW-NB15上准确率提升至95.45%,参数减少55%。
2026-05-24 cs.AI cs.CR cs.LG
Statistical Detection of Adversarial examples in Blockchain-based Federated Forest In-vehicle Network Intrusion Detection Systems
Chonnam National University(全南国立大学);Delft University of Technology(代尔夫特理工大学);Ahmadu Bello University(艾哈迈德·贝罗大学)
车联网(IoV)可以促进联网车辆(CV)、自动驾驶车辆(AV)和其他车联网实体之间的无缝连接。用于车联网网络的入侵检测系统(IDS)可以依靠机器学习(ML)来保护车载网络免受网络攻击。基于区块链的联邦森林(BFF)可用于基于来自IoV实体的数据训练ML模型,同时保护数据的机密性并降低篡改数据的风险。然而,以这种方式创建的ML模型仍然容易受到使用对抗性示例的规避、中毒和探索性攻击。本文研究了各种可能的对抗性示例对BFF-IDS的影响。我们提出了一个统计检测器来检测和提取未知的对抗样本。通过将未知的检测样本包含到检测器的数据集中,我们用一个额外的模型来增强BFF-IDS,以检测原始的已知攻击和新的对抗性输入。统计对抗检测器在50和100个输入样本的样本大小下自信地检测到对抗示例。此外,增强的BFF-IDS(BFF-IDS(AUG))成功地缓解了对抗性示例,准确率超过96%。通过这种方法,每当检测到对抗性样本时,模型将继续在沙箱中进行扩展,随后采用BFF-IDS(AUG)作为主动安全模型。因此,所提出的统计对抗检测器的集成和随后的BFF-IDS与检测到的对抗样本的增强提供了一个可持续的安全框架对抗对抗的例子和其他未知的攻击。
2022-07-11 cs.AI cs.CR
Analyzing Root Causes of Intrusion Detection False-Negatives: Methodology and Case Study
入侵检测系统(IDS)是一种必要的网络防御机制。不幸的是,他们的能力已经落后于攻击者。这促使我们更好地理解他们的假阴性的根本原因。在本文中,我们对绘制有用的见解和原则,可以指导下一代IDS的设计的最终目标迈出了第一步。具体来说,我们提出了一种方法来分析IDS误报的根本原因,并进行了基于Snort和真实世界的网络攻击数据集的案例研究。案例研究使我们能够得出有益的见解。
2019-09-18 cs.CR
SSIDS: Semi-Supervised Intrusion Detection System by Extending the Logical Analysis of Data
传统的入侵检测系统(IDS)由于网络流量的巨大和攻击者使用的欺骗性网络使用模式而不再有效,因此防止对关键网络资源的网络攻击已经成为一个重要的问题。缺乏足够数量的标记观测用于训练IDS使得半监督IDS成为首选。我们提出了一个半监督入侵检测系统扩展的数据分析技术称为逻辑分析数据,或LAD在短期内,这是作为一个监督学习的方法。LAD使用部分定义的布尔函数(pdBf)和它们的扩展来从过去的观测中找到正模式和负模式,以用于对未来的观测进行分类。我们扩展了LAD,使其成为半监督的设计一个IDS。拟议的小岛屿发展中国家战略包括两个阶段:离线和在线。离线阶段通过识别正常和异常网络使用的行为模式来构建分类器。然后,将这些模式转换为分类规则,并在在线阶段使用这些规则来检测异常网络行为。实验结果表明,所提出的SSIDS的性能远远优于现有的半监督IDS,并与监督IDS相当。
2020-07-21 cs.CR
An overview of Intrusion Detection and Prevention Systems
网络威胁不仅在数量上,而且在复杂性和检测难度上都在增加。多年来,攻击已成为国家/全球威胁,因为它们针对私人和公共部门以及政府部门。这是一个日益严重的问题,组织正在采取措施减少、检测和预防威胁。要做到这一点,他们需要使用配备了这些步骤的能力的系统,并为他们使用的网络类型(例如有线或无线)开发它们。这些系统之一是入侵检测系统(IDS),其可以用作威胁或攻击的第一防御机制或第二防御机制。网络中可能发生不同类型的攻击,例如拒绝服务(DoS)/分布式拒绝服务(DDoS)、端口扫描、恶意软件或勒索软件等,IDS具有检测能力。为了帮助减轻这种攻击,还有入侵防御系统(IPS),其作用与IDS的作用不同。与IDS不同的是,它们不仅可以检测威胁,还可以防止威胁破坏网络,IPS可以与IDS结合使用,使防御能力加倍。本文概述了入侵检测系统及其分类和入侵防御系统。它将详细说明使用IDS、IPS和混合(如入侵检测预防系统(IDS和更多))的典型优点和限制,这些将进一步讨论。它还将概述使用ML的发展,以及如何使用它来改进这些系统,以及它们产生的困境和可能的方法来应对它们。
2020-04-19 cs.CR
AOC-IDS: Autonomous Online Framework with Contrastive Learning for Intrusion Detection
提出AOC-IDS在线入侵检测框架,利用自编码器与簇排斥对比损失实现自主异常检测,通过伪标签免人工标注,在NSL-KDD和UNSW-NB15上性能优于现有方法。
2024-02-02 cs.CR
SCGNet-Stacked Convolution with Gated Recurrent Unit Network for Cyber Network Intrusion Detection and Intrusion Type Classification
American International University(美国国际大学);Khulna University(库尔纳大学)
针对传统入侵检测系统难以高效识别复杂网络攻击的问题,提出新型深度学习架构SCGNet及通用数据预处理流程,在NSL-KDD数据集的攻击检测与分类任务上取得高准确率。
2024-10-29 cs.CR cs.LG
CANet: An Unsupervised Intrusion Detection System for High Dimensional CAN Bus Data
ETAS GmbH, Bosch Group(博世集团ETAS有限公司);Robert Bosch GmbH(罗伯特·博世有限公司)
我们提出了一种新的神经网络体系结构检测入侵的CAN总线。控制器局域网(CAN)是汽车电子控制单元(ECU)之间的标准通信方式。然而,CAN缺乏安全机制,最近已经表明它可以被远程攻击。因此,需要监控CAN流量以检测入侵。为了检测已知和未知的入侵场景,我们考虑了一种新的无监督学习方法,我们称之为CANet。据我们所知,这是第一个基于深度学习的入侵检测系统(IDS),它采用具有不同ID的单个CAN消息,并在收到它们的那一刻对其进行评估。这是一个重大的进步,因为具有不同ID的消息通常在不同的时间以不同的频率发送。我们的方法进行评估,真实和合成CAN数据。对于方法的重现性,我们的合成数据是公开的。与以前的基于机器学习的方法的比较表明,CANet优于他们的显着保证金。
2019-06-06 cs.CR cs.LG eess.SP
Assessing the Resilience of Automotive Intrusion Detection Systems to Adversarial Manipulation
Politecnico di Milano(米兰理工大学)
该研究针对汽车入侵检测系统(IDS)的安全漏洞,探究了不同知识程度下基于梯度的对抗性规避攻击的可行性与影响,通过公开数据集实验验证了攻击有效性受数据集质量、目标IDS及攻击者知识程度的强关联影响。
2025-06-12 cs.CR cs.LG