FedSecureFormer: A Fast, Federated and Secure Transformer Framework for Lightweight Intrusion Detection in Connected and Autonomous Vehicles
Department of Computer Science and Information Systems, BITS Pilani, Pilani Campus（计算机科学与信息系统系，比斯汉学院）；Department of Systems and Computer Engineering, Carleton University（系统与计算机工程系，卡尔顿大学）
FedSecureFormer是一种基于联邦学习的轻量级入侵检测框架，采用快速且安全的Transformer结构，适用于连接和自动驾驶车辆场景。
2025-12-30 cs.AI cs.CR
FedLiTeCAN : A Federated Lightweight Transformer for Fast and Robust CAN Bus Intrusion Detection
Department of Computer Science and Information Systems, BITS Pilani, Pilani Campus（计算机科学与信息系统系，比特学院）
FedLiTeCAN提出了一种轻量级联邦Transformer模型，用于提升CAN总线入侵检测的效率和鲁棒性，适用于边缘计算场景。
2025-12-30 cs.AI cs.CR
Incremental Federated Learning for Intrusion Detection in IoT Networks under Evolving Threat Landscape
Tallinn University of Technology（塔林理工大学）；Northern Arizona University（北亚利桑那大学）
本研究提出基于LSTM的增量联邦学习方法，用于增强物联网网络中非平稳入侵检测系统的长期性能，通过分析不同学习策略在漂移条件下的表现，以提高检测准确性和资源效率。
2026-03-12 cs.CR
A Crowdsensing Intrusion Detection Dataset For Decentralized Federated Learning Models
University of Zurich（苏黎世大学）；University of Murcia（穆尔西亚大学）；armasuisse Science & Technology（瑞士联邦武装部队科学与技术局）
本文介绍了一个用于物联网群体感知恶意软件检测的去中心化联邦学习数据集，通过对比传统机器学习、集中式联邦学习和去中心化联邦学习的方法，验证了去中心化联邦学习在数据本地性保护下的竞争力。
2026-03-19 cs.CR
SoK: Federated Learning for Intrusion Detection in Vehicular Networks
École de technologie supérieure (ÉTS)（高等技术学院）；University of Calgary（卡尔加里大学）
针对现代车载网络攻击面扩大问题，本文通过知识梳理统一车载攻击面分类法、评估FL拓扑并映射对抗威胁，审核60多篇文献识别常见陷阱，进而定义前瞻性研究议程及最低基准要求，推动车载FL-IDS走向实际安全部署。
2026-07-14 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
Adaptive and Proximal Federated Optimization for Transferable Network Intrusion Detection
Islamic University of Technology（伊斯兰理工大学）
本文针对联邦学习下网络入侵检测的可迁移性问题，对比FedAvg、受FedAdam和FedProx启发的优化器，结合自举法与SMOTE策略，发现带强正则项的近端优化器可提升可迁移对数量，明确联邦优化器选择的重要性。
2026-10-14 cs.CR
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
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
Generalizing intrusion detection for heterogeneous networks: A stacked-unsupervised federated learning approach
不断发展的数字化转型对我们的社会提出了新的要求。与依赖网络域和通过设计实现安全性的困难有关的方面构成了当今的挑战。因此，以数据为中心的方法和机器学习方法成为保护大型网络的可行解决方案。虽然，在网络安全领域，基于ML的解决方案面临着关于在不同上下文之间进行概括的能力的挑战。换句话说，基于特定网络数据的解决方案在其他网络上通常不能令人满意地执行。本文介绍了堆叠无监督联邦学习（FL）的方法来推广的跨筒仓配置的基于流的网络入侵检测系统（NIDS）。我们已经研究过的方法包括在集成学习任务中结合能量流分类器的深度自动编码器。我们的方法比传统的本地学习和朴素的交叉评估（在一个上下文中训练，在另一个网络数据上测试）表现得更好。值得注意的是，所提出的方法在非iid数据孤岛的情况下表现出良好的性能。结合无监督学习的集成架构中的信息功能，我们建议，建议基于FL的NIDS结果在异构网络之间的推广一个可行的方法。据我们所知，我们的建议是第一个成功的方法，应用无监督FL的网络入侵检测泛化使用基于流的数据的问题。
2022-11-28 cs.CR
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
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
Trends on Computer Security: Cryptography, User Authentication, Denial of Service and Intrusion Detection
新一代的安全威胁是由数字货币和实时应用程序推动的，所有用户都在开发新的方式在互联网上进行通信。安全性在所有用户及其便携式设备的隐私和匿名需求中不断发展。每个领域的新技术都证明，用户需要将安全功能集成到他们的通信应用程序中，移动设备，互联网和身份管理的并行系统。这篇评论介绍了计算机安全的主要领域的关键概念，以及它在过去几年中是如何发展的。这项工作的重点是密码学，用户身份验证，拒绝服务攻击，入侵检测和防火墙。
2019-03-19 cs.CR
Optimising Intrusion Detection Systems in Cloud-Edge Continuum with Knowledge Distillation for Privacy-Preserving and Efficient Communication
针对云边连续体入侵检测中联邦学习通信开销高的问题，本文提出利用知识蒸馏优化系统，在保留准确性和数据隐私的同时降低通信开销，提升云边环境下入侵检测的效率与隐私保护能力。
2025-04-14 cs.CR
Design of an Automated Intrusion Detection System incorporating an Alarm
安全和安全是两个相互交织的概念。人们普遍认为，当一个地方或系统是安全的，它就是安全的。本文介绍了一种方法，集成三个设备的物理入侵检测。因此，本文提出了一种提高封闭区域安全水平的方法，使用四个安全层中的三个，以实现最佳安全。本文旨在表明，一个系统与一个以上的安全设备到位，往往防止未经授权的访问。本文件将说明在封闭区域实施这一点，该区域的安全级别必须始终保持在高水平。
2009-12-19 cs.CR
Enhancing Intrusion Detection In Internet Of Vehicles Through Federated Learning
VIT（维洛尔理工大学）；School of Electronics Engineering（电子工程学院）；School of Computer Science and Engineering（计算机科学与工程学院）
本文提出一种基于联邦学习的车联网入侵检测框架，结合 SMOTE、异常值检测和超参数调优，在不共享原始数据的前提下有效提升检测性能并保护敏感数据。
2023-11-23 cs.AI cs.CR cs.LG
Enhancing SCADA Security: Developing a Host-Based Intrusion Detection System to Safeguard Against Cyberattacks
针对智能电网SCADA系统缺乏专用主机入侵检测的问题，本文提出利用USB设备识别、标记和进程内存扫描的检测系统，并在三种场景下验证了其检测和禁用恶意软件的有效性。
2024-02-22 cs.CR
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
Explaining Intrusion Alert Decisions of Deep Learning-based Network Intrusion Detection Systems for Security Analysts
Cyber Security Strategic Technology Centre, ST Engineering（网络安全战略技术中心，新加坡科技工程有限公司）
本文提出EXP-SEC框架，能为安全分析师解释基于深度学习的网络入侵检测系统的入侵警报决策。该框架含取证、解释和多阶段映射模块，评估显示其在组级和重叠感知解释效用指标上优于现有框架，还展示了对分析师友好的解释格式。
2026-07-15 cs.CR
Exploring and Enhancing Placement of IDS in RPL: A Federated Learning-based Approach
本研究针对RPL网络中IDS部署研究不足的问题，评估了集中式与分布式三类入侵检测架构，发现攻击者位置和IDS邻近度影响检测效果，提出基于联邦学习的改进方案，兼顾检测有效性、安全性与通信效率。
2025-03-24 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
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
Privacy-Preserving Intrusion Detection in Software-defined VANET using Federated Learning with BERT
本文提出FL-BERT方法，将联邦学习与BERT序列分类结合用于软件定义VANET的隐私保护入侵检测，实验表明其在隐私安全和攻击检测方面优于现有工作。
2024-01-17 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
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
Federated Lightweight Intrusion Detection in Drone Swarms with Knowledge Distillation
University of North Texas（北德克萨斯大学）
针对无人机群网络易受网络威胁且传统方法有局限的问题，提出基于轻量级联邦学习的入侵检测系统，用知识蒸馏增强深度神经网络，降低模型复杂度与通信成本，实验显示该方法检测准确率高，能有效降低通信和计算开销。
2026-07-21 cs.CR
HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection
University of Queensland（昆士兰大学）
物联网生态系统安全态势的持续加强至关重要，因为互联设备的数量和共享的敏感数据量不断增加。利用机器学习（ML）功能防御物联网网络攻击具有许多潜在的好处。然而，目前提出的框架没有考虑数据隐私，安全架构和/或物联网生态系统的可扩展部署。在本文中，我们提出了一个基于分层区块链的联邦学习框架，以实现安全和隐私保护的协作物联网入侵检测。我们强调并展示了在组织间物联网网络之间共享网络威胁情报以提高模型检测能力的重要性。建议基于ML的入侵检测框架遵循分层联邦学习架构，以确保学习过程和组织数据的隐私。交易（模型更新）和流程将在安全的不可变分类账上运行，执行任务的一致性将由智能合约验证。我们已经测试了我们的解决方案，并通过实施它并使用关键的物联网数据集评估入侵检测性能来证明其可行性。其结果是一个安全设计的基于ML的入侵检测系统，能够检测到广泛的恶意活动，同时保护数据隐私。
2022-04-08 cs.CR cs.LG cs.NI
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
Highly Available Smart Grid Control Centers through Intrusion Tolerance
社会的运行规范依赖于几个关键基础设施的正常和安全运行，特别是现代电网，也称为智能电网。智能电网与信息和通信技术基础设施交织在一起，因此面临网络安全威胁。入侵容忍被证明是一种很有前途的安全方法，可以抵御恶意攻击，并有助于提高智能电网关键组件（主要是SCADA和控制中心）的弹性和安全性。因此，本文提出了一种智能电网控制中心的入侵容忍系统架构。建议的架构包括几个模块，即复制和多样性，受损/故障副本检测器，重新配置，审计和代理。所提出的ITS的一些显着特点是多样性以及组合和细粒度的复兴方法。所提出的架构的安全性进行评估方面的可用性和平均时间安全故障的性能指标。使用离散时间半马尔可夫模型进行分析，所获得的结果表明，两个建立的入侵容忍体系结构相比，改进。SLA作为另一个性能指标的可行性也进行了研究。
2012-09-26 cs.CR
A Novel Method for Intrusion Detection System to Enhance Security in Ad hoc Network
自组织网络的概念是一种新的范例，它允许移动主机（节点）进行通信，而不依赖于预定义的基础设施来保持网络连接。假设大多数节点是移动的，并且假设通信是无线的。ad-hoc网络中节点的移动性意味着网络的种群和拓扑结构都是高度动态的。设计一个一劳永逸的入侵检测系统是非常困难的。一个安全的协议至少应该包括针对已知攻击类型的机制。此外，它应该提供一个计划，以便在未来轻松添加新的安全功能。本文详细介绍了基于本地信誉机制的入侵检测系统。拟议的系统还包括赎回和衰落的概念，这些机制允许以前被认为是恶意的节点再次成为网络的一部分。拟议系统的仿真将使用NS-2模拟器进行。
2010-05-21 cs.CR
Intrusion Detection System Using Deep Learning for Network Security
本文通过实验评估CNN、ANN和LSTM等深度学习模型在网络流量分类中的表现，最佳模型准确率达96%，为自适应入侵检测系统开发提供了依据。
2025-05-09 cs.CR
BRFID: Toward Byzantine-Robust Federated Intrusion Detection
Meharry Medical College（梅哈里医学院）
针对联邦入侵检测中单拜占庭客户端的标签翻转投毒攻击，实验表明该攻击会显著降低攻击者自身检测准确率，且无防御时全局集成仍稳定，其异常信号可用于识别拜占庭客户端。
2026-09-25 cs.CR cs.LG
Federated Naive Bayes with Real Mixture of Gaussians and Institutional Governance Regularization for Network Intrusion Detection
University of Malaga（马拉加大学）
本文提出一种联邦学习方法，通过引入机构一致性指数（ICC）正则化来改进网络入侵检测，结合高斯混合模型和机构治理指标，提升模型性能和鲁棒性。
2026-05-18 cs.CR
Intrusion Prediction with System-call Sequence-to-Sequence Model
互联网的先进发展促进了高效的信息交换，同时也被对手利用。入侵检测系统（IDS）作为网络安全防御的重要组成部分，一直是安全领域研究的热点。然而，对网络安全更为关键的入侵预测的研究却很少受到重视。我们认为，在安全防御中，先进的预测和及时的阻止入侵比简单的警报更重要。关于预测的一般研究方法是通过分析短期的系统调用来预测即将发生的异常行为。本文利用递归神经网络（RNN）在处理长序列问题上的优异性能，将序列到序列模型引入到入侵预测工作中。通过对系统调用的语义建模，我们建立了一个健壮的系统调用序列到序列预测模型。该模型以程序运行过程中调用的系统调用轨迹为已知前提，预测出在未来一段时间内最有可能执行的系统调用序列，从而实现对系统状态的监控和入侵行为的预测。实验结果表明，本文提出的预测方法在ADOID入侵检测测试数据集上取得了较好的预测性能。此外，预测的序列，结合已知的系统调用的痕迹，显着提高入侵检测性能的各种分类器上验证。
2018-08-06 cs.CR
Entente: Cross-silo Intrusion Detection on Network Log Graphs with Federated Learning
针对跨组织网络入侵检测的隐私数据限制，本文提出基于联邦学习的系统 Entente，通过参考图合成、图素描和自适应贡献缩放解决图异构性等问题，在大规模数据集上优于现有基线并展现出强抗投毒攻击的鲁棒性。
2025-09-13 cs.CR
Novel hybrid intrusion detection system for clustered wireless sensor network
无线传感器网络（WSN）通常部署在无人值守和恶劣的环境中。无线传感器网络容易受到安全威胁，并容易受到物理捕获。因此，有必要使用有效的机制来保护网络。众所周知，入侵检测是保护网络免受恶意攻击或未经授权访问的最有效的安全机制之一。在本文中，我们提出了一个混合入侵检测系统的分簇无线传感器网络。我们的入侵框架使用基于支持向量机（SVM）的异常检测和误用检测之间的组合。实验结果表明，该算法能够检测出大部分路由攻击，且虚警率较低。
2011-08-12 cs.CR
Consistent and Compatible Modelling of Cyber Intrusions and Incident Response Demonstrated in the Context of Malware Attacks on Critical Infrastructure
本文提出将关键基础设施的入侵模型与应急响应剧本统一建模，通过安全建模框架实现攻击树到剧本格式的转换，增强风险评估与响应的集成，并提供了九个示例模型。
2025-05-22 cs.CR
Database Intrusion Detection Systems (DIDs): Insider Threat Detection via Behavioural-based Anomaly Detection Systems -- A Brief Survey of Concepts and Approaches
数据安全和隐私问题之一是内部威胁，即系统的合法用户滥用他们持有的访问权限。对数据安全的内部威胁意味着内部人员窃取或泄露敏感的个人信息。数据库入侵检测系统，特别是基于行为的数据库入侵检测系统，已被证明是有效的检测内部攻击。本文介绍了背景概念的数据库入侵检测系统在检测内部威胁的背景下，并检查现有的方法在文献中检测恶意访问的内部数据库管理系统（DBMS）。
2020-11-04 cs.CR
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
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
Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation
SWAT Laboratory, Polytechnique Montréal（Polytechnique Montréal SWAT 实验室）；Department of Computer and Software Engineering, Polytechnique Montréal（Polytechnique Montréal 计算机与软件工程系）
本文提出基于三LLM的联邦IDS框架，通过语义监督实现零日入侵检测，提升对未知攻击行为的识别能力，同时增强对异构和不可靠客户端的鲁棒性。
2026-01-30 cs.AI cs.CR
Efficient Federated Intrusion Detection in 5G ecosystem using optimized BERT-based model
LIST3N；University of Technology of Troyes（特鲁瓦技术大学）
本文提出一种基于优化BERT和联邦学习的5G物联网入侵检测系统，在边缘设备上实现97.79%的准确率，并通过量化压缩在仅损失0.02%准确率的情况下将模型缩小28.74%。
2024-09-28 cs.AI cs.CR
Phases vs. Levels using Decision Trees for Intrusion Detection Systems
计算机和连接它们的网络的安全性正变得越来越重要。入侵检测系统是计算机网络的安全防御工具之一。比较了两种不同的利用决策树技术表示入侵检测系统的模型方法。这些方法是阶段模型法和层次模型法。每个模型都是通过使用两种技术来实现的，新的攻击和数据分区技术。实验结果表明，在新攻击和数据划分技术中，阶段方法比水平方法具有更高的分类率。
2012-08-29 cs.CR
Federated Learning for Intrusion Detection System: Concepts, Challenges and Future Directions
Vellore Institute of Technology（韦洛尔理工学院）；University of Nantes（南特大学）
互联网和智能设备的快速发展引发了网络流量的激增，使得其基础设施更加复杂和异构。移动电话、可穿戴设备和自动驾驶汽车的主要使用是分布式网络的例子，这些网络每天都会产生大量的数据。这些设备的计算能力也在稳步发展，这就需要传输信息，在本地存储数据，并将网络计算推向边缘设备。入侵检测系统在确保这些设备的安全和隐私方面发挥着重要作用。机器学习和深度学习与入侵检测系统由于其高分类精度的实现而获得了巨大的发展势头。然而，由于需要将数据存储和传输到集中式服务器，隐私和安全方面可能会受到危害。相反，联邦学习（FL）适合作为一种隐私保护的分散式学习技术，它不传输数据，而是在本地训练模型，并将参数传输到集中式服务器。本文的目的是提出一个广泛的和详尽的审查使用FL在入侵检测系统。为了建立对FL的需求，讨论了各种类型的IDS，相关的ML方法及其相关问题。本文详细介绍了FL在异常检测的各个方面的实现。此外，还确定了FL实施的相关挑战，这为未来研究方向的范围提供了思路。本文最后提出了合理的解决方案与确定的挑战，在FL为基础的入侵检测系统的实施作为一个基线的前瞻性研究。
2021-06-16 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
Enhancing Automotive Security with a Hybrid Approach towards Universal Intrusion Detection System
提出一种结合皮尔逊相关性与深度学习的通用入侵检测系统，适用于多种车型，无需定制，并能适应固件更新带来的数据变化，经测试优于传统方法。
2025-10-07 cs.CR
Stochastic Tools for Network Intrusion Detection
随着互联网的迅速发展和网络犯罪的急剧增加，网络安全问题变得越来越重要，受到了广泛的关注。我们将安全问题建模为随机系统。这使我们能够找到现有安全系统的弱点并提出新的解决方案。探索现有安全工具的漏洞可以防止网络攻击利用系统的弱点。我们提出了一个混合的网络安全方案，包括入侵检测系统（IDS）和蜜罐分散在整个网络。这结合了两种安全技术的优势。蜜罐是一种基于主动的网络安全系统，可以作为入侵检测系统被动检测策略的逻辑补充。这种集成迫使我们通过为拟议系统安排设备活动来平衡安全性能与成本。通过将调度问题制定为分散的部分可观察马尔可夫决策过程（DEC-POMDP），在每个设备处以分布式方式做出决策，而不需要集中控制。部分可观测马尔可夫决策过程（POMDP）是控制随机系统的一种有效方法。作为两个马尔可夫模型的组合，POMDP结合了隐马尔可夫模型（HMM）（捕获依赖于未观察状态的动态）和马尔可夫决策过程（MDP）（考虑决策方面）的优势。不确定性下的决策在商业和科学的许多领域都有应用，本文使用安全工具，采用平均代价准则的有限空间POMDPs的高质量近似解，并将其扩展到DEC-POMDPs。我们展示了如何使用这个工具来设计一个网络安全框架。
2017-09-22 cs.CR
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
SecTracer: A Framework for Uncovering the Root Causes of Network Intrusions via Security Provenance
针对企业网络复杂攻击难以分析的问题，本文提出网络级安全溯源概念及SecTracer框架，通过SDN收集数据、溯源图重建攻击、概率模型预测攻击，经APT模拟验证其有效性且开销低。
2025-11-12 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
Advancing CAN Network Security through RBM-Based Synthetic Attack Data Generation for Intrusion Detection Systems
针对CAN网络缺乏攻击数据导致IDS性能受限的问题，提出基于RBM生成合成攻击数据的方法，提升训练数据均衡性，显著提高CANet和EfficientNet的检测准确率。
2025-03-27 cs.CR
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
Poster: Towards Selecting Threat Appropriate Industrial Intrusion Detection Systems
RWTH Aachen University（亚琛工业大学）；Fraunhofer FKIE（弗劳恩霍夫FKIE研究所）
针对工业控制系统威胁动态变化，提出基于反威胁情报共享的检测器选择机制，通过攻击层面性能评估验证其能提升安全防护效果。
2026-09-14 cs.CR
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
