Sensing Danger: Innate Immunology for Intrusion Detection
免疫系统为异常检测提供了一个理想的比喻，特别是计算机安全。基于这一思想，人工免疫系统已被用于入侵检测多年，不幸的是，迄今为止，收效甚微。然而，这些以前的系统主要基于20世纪70年代和80年代的免疫学理论，在过去的十年中，我们对免疫过程的理解有了很大的提高。在本文中，我们提出了两个新的免疫启发算法的基础上，最新的免疫学发现，如树突状细胞的行为。所得到的算法应用于现实世界的入侵问题，并显示出令人鼓舞的结果。总的来说，我们相信这些下一代人工免疫算法有一个光明的未来。
2008-05-16 cs.CR cs.NE
Towards Autonomous Cybersecurity: An Intelligent AutoML Framework for Autonomous Intrusion Detection
Ontario Tech University（安大略理工大学）；Western University（西安大略大学）
本文提出基于 AutoML 的自主入侵检测框架，自动完成数据平衡、特征选择、模型调优与集成，并在 CICIDS2017 和 5G-NIDD 上验证其优于现有方法。
2024-09-05 cs.CR cs.LG cs.NI
A Quantum Genetic Algorithm-Enhanced Self-Supervised Intrusion Detection System for Wireless Sensor Networks in the Internet of Things
针对物联网无线传感器网络入侵检测中传统IDS计算成本高、依赖标注数据的问题，提出融合量子遗传算法与自监督学习的混合IDS，在基准数据集上准确率、误报率和计算效率均优于传统模型。
2025-09-03 cs.CR
Exploring Emerging Trends in 5G Malicious Traffic Analysis and Incremental Learning Intrusion Detection Strategies
本文研究5G网络恶意流量检测挑战，分析AI检测方法与SOTA，提出数据集七项标准及三大待解决问题，并验证增量学习技术可部分解决这些问题。
2024-02-22 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
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
5G-NIDD: A Comprehensive Network Intrusion Detection Dataset Generated over 5G Wireless Network
随着大量新的连接、功能和服务的引入，第五代（5G）无线技术反映了移动通信网络的发展，并将在未来十年继续存在。5G融合的众多服务和技术使现代通信网络在本质上变得非常复杂和复杂。这种复杂性以及机器学习（ML）和人工智能（AI）的结合为攻击者提供了对网络和网络设备发起智能攻击的机会。由于缺乏智能安全机制来应对这些威胁，这些攻击通常无法被检测到。因此，在整个网络中实施实时、主动和自适应的安全机制将是5G以及未来通信系统的一个组成部分。因此，从真实网络中收集的大量数据将在AI/ML模型的训练中发挥重要作用，以识别和检测网络流量中的恶意内容。这项工作提出了5G-NIDD，这是一个建立在功能性5G测试网络上的完全标记数据集，可供开发和测试AI/ML解决方案的人员使用。这项工作进一步分析了使用常见ML模型收集的数据，并显示了所达到的准确度水平。
2022-12-02 cs.CR cs.NI
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
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
Big data analysis and distributed deep learning for next-generation intrusion detection system optimization
随着信息技术在所有生活领域的日益广泛使用，黑客行为的负面影响比以往任何时候都要大。此外，随着技术的发展，攻击数量每隔几个月就会呈指数级增长，并且变得更加复杂，因此传统的IDS检测它们变得效率低下。本文提出了一种解决方案，不仅可以检测新的威胁，具有更高的检测率和更低的误报率比已经使用的IDS，但它也可以检测集体和上下文的安全攻击。我们通过使用Networking Chatbot来实现这些结果，这是一种深度递归神经网络：Apache Spark Framework之上的长短期记忆（LSTM），其输入是流量和流量聚合，输出是两个词的语言，正常或异常。我们建议合并语言处理、上下文分析、分布式深度学习、大数据、流分析的异常检测等概念。我们提出了一个模型，它描述了网络抽象的正常行为，从一个序列的数百万个数据包在他们的上下文中，并分析他们在近实时检测点，集体和上下文异常。在MAWI数据集上进行了实验，实验结果表明，该方法不仅比特征入侵检测系统有更好的检测率，而且比传统的异常入侵检测系统有更好的检测率。实验结果表明，该方法具有较低的误报率、较高的检测率和较好的点异常检测效果。对于上下文和集体异常检测的证明，我们讨论了我们的主张和我们假设背后的原因。但由于硬件限制，实验是在数据集的随机小子集上进行的，因此我们分享实验和我们未来的视觉想法，因为我们希望未来有比我们更好的硬件基础设施的其他感兴趣的研究人…
2022-09-28 cs.AI cs.CR cs.DC
Generating Labeled Flow Data from MAWILab Traces for Network Intrusion Detection
在现代网络世界中，一个日益严重的问题是直接识别网络连接上的恶意活动。机器学习行业在过去几年中的蓬勃发展导致机器学习技术的使用越来越多，这在网络入侵检测研究社区中尤其普遍。在利用这些相当现代的技术时，社区已经意识到数据集对于识别恶意数据包和连接至关重要，特别是与标签相关的信息，以构建学习模型。然而，网络入侵检测社区的研究人员缺乏公开可用的相关数据集。因此，在本文中，我们介绍了一种方法来构建标记流数据相结合的数据包元信息与IDS日志来推断标签的入侵检测研究。具体来说，我们设计了一个NetFlow兼容的格式，因为大量的网络设备，如路由器和交换机，从原始流量导出NetFlow记录的能力。在这样做的过程中，所介绍的方法将帮助研究人员访问相关的网络流数据集以及标签信息。
2018-10-03 cs.CR cs.NI
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
FuGeIDS: Fuzzy Genetic paradigms in Intrusion Detection Systems
随着安全威胁数量的增加，入侵检测系统已经发展成为应对这些威胁的重要对策。因此，入侵检测系统成为近年来最突出的研究课题之一。本文对入侵检测系统进行了概述，并介绍了入侵检测系统中使用的两种主要的机器学习范式：遗传算法和模糊逻辑，以及如何将它们应用于入侵检测。
2012-04-28 cs.CR
From Detection to Response: A Deep Learning and Retrieval-Augmented Generation Framework for Network Intrusion Mitigation
University of Northern British Columbia（不列颠哥伦比亚大学）
本文提出了一种统一的端到端框架，通过深度学习和检索增强生成技术，解决网络入侵检测与可操作响应之间的差距。该框架首先利用三个独立训练的二分类深度神经网络对网络流量进行分类，其次通过检索增强生成技术生成带有解释的提示，检索相关指导并生成结构化的缓解报告。
2026-05-18 cs.CR
A Taxonomy of Network Threats and the Effect of Current Datasets on Intrusion Detection Systems
Abertay University（阿伯泰大学）；Naval Academy Research Institute（海军学院研究院）；Middlesex University（密德萨斯大学）；University of Strathclyde（思克莱德大学）
随着世界越来越依赖计算机和自动化，构建安全的应用程序、系统和网络是本十年面临的一些主要挑战。由于现代网络的网络和服务日益复杂，个人和企业面临的威胁数量呈指数级增长。为了减轻这些威胁的影响，研究人员提出了许多异常检测解决方案;然而，当前的工具往往无法适应不断变化的架构，相关的威胁和零日攻击。本文旨在指出当前数据集的研究差距和不足，它们对构建网络入侵检测系统（NIDS）的影响以及越来越多的复杂威胁。为此，本手稿为研究人员提供了两个关键信息：对突出数据集的调查，分析它们的使用和对过去十年入侵检测系统（IDS）发展的影响，以及网络威胁和相关工具的分类来进行这些攻击。该手稿强调，目前的IDS研究只覆盖了我们威胁分类的33.3%。当前的数据集显示出明显缺乏真实的网络威胁、攻击表示，并且包括大量弃用的威胁，这些都限制了当前机器学习IDS方法的检测准确性。本手稿中提供的分类法和数据集分析的独特组合旨在改进数据集的创建和真实世界数据的收集。因此，这将提高下一代IDS的效率，并在新数据集中更准确地反映网络威胁。
2020-06-05 cs.AI cs.CR cs.NI
Communication-Aware Quantum-Inspired Reinforcement Learning for Cyber-Resilient V2X Intrusion Detection and Mitigation
Prince Sattam Bin Abdulaziz University（沙特萨勒曼本阿卜杜勒阿齐兹国王大学）；National University of Computer and Emerging Sciences（巴基斯坦国立计算机与新兴科学大学）
提出量子启发强化学习框架QIRL，结合轻量级深度Q网络、量子态编码和代价敏感MDP，实现高精度、超低延迟的自适应入侵检测，在CICIDS2017和UNSW-NB15上验证了有效性。
2026-07-14 cs.CR
Continuous Features Discretization for Anomaly Intrusion Detectors Generation
随着计算机系统的发展和攻击的扩展，网络安全是一个日益严重的问题。生物系统一直在激励科学家和设计新的自适应解决方案，如遗传算法。提出了一种利用遗传算法生成异常网络入侵检测器的方法.本文提出了一种算法，对入侵检测中选取的连续特征进行离散化处理，使不同数据类型的特征值具有一定的同质性。然后，使用不同的距离方法对NSL-KDD数据集的入侵检测系统进行了测试。最后对实验结果进行了比较，结果表明该方法具有良好的效果，并对今后的实验提出了建议。
2014-03-07 cs.CR cs.NE cs.NI
An Implementation of Intrusion Detection System Using Genetic Algorithm
如今，保持高级别的安全性以确保各种组织之间的安全和可信的信息通信非常重要。但是通过Internet和其他网络进行的安全数据通信总是受到入侵和滥用的威胁。因此入侵检测系统已经成为计算机和网络安全不可缺少的组成部分。有各种方法被用于入侵检测，但不幸的是，到目前为止，任何系统都不是完全完美的。因此，改善的追求仍在继续。在此基础上，我们提出一个入侵检测系统（IDS），通过应用遗传算法（GA）来有效地检测各种类型的网络入侵。详细讨论了遗传算法的参数和进化过程，并进行了实现。该方法利用进化理论进行信息进化，对流量数据进行过滤，从而降低计算复杂度。为了实现和衡量我们的系统的性能，我们使用KDD99基准数据集，并获得了合理的检测率。
2012-04-05 cs.CR cs.NE cs.NI
A Cross-Dataset based Zero-Day Intrusion Detection System by Integrating Siamese Network and Reinforcement Learning
Department of CSE, BRAC University（BRAC大学计算机科学与工程系）
提出一种结合孪生网络异常关联与PPO强化学习自适应防御的零日入侵检测系统，在物联网基准数据集上实现99.07%未知攻击检测准确率和93.94%零日检测率。
2026-09-23 cs.CR
Sherlock: A Dataset for Process-aware Intrusion Detection Research on Power Grid Networks
本文提出基于Wattson联合仿真器生成的电网入侵检测数据集Sherlock，涵盖三类过程操纵攻击场景，并在其上评测五种最新入侵检测系统，揭示电网入侵检测的关键挑战。
2025-04-08 cs.CR cs.NI
Advancing Network Security: A Comprehensive Testbed and Dataset for Machine Learning-Based Intrusion Detection
本文提出一个基于容器、Kubernetes和eBPF/XDP的网络流量生成测试平台，并公开了一个完全满足真实标签特性的小规模恶意流量数据集，以支持基于机器学习的入侵检测研究。
2024-10-23 cs.CR cs.NI
New Use Cases for Snort: Cloud and Mobile Environments
首先，本案例研究探讨了云环境中名为Snort（由Cisco Systems提供）的入侵检测系统包。Snort是一个开源的、高度可扩展的基于特征的入侵检测系统。在这里，Snort部署在Ubuntu Server 16.0.4上，该服务器在Microsoft Azure云系统内的虚拟机上运行。本文详细介绍了如何在虚拟机上安装Snort并配置它以进行入侵检测。这里的架构基于Azure上的VM集成IDS，并演示了如何通过IDS保护云中的VM实例。防火墙可能被认为是第一道防线，但它们无法保护系统免受内部攻击。接下来，我们将简要介绍另外两个领域（Snort使用较少的领域），即图书馆系统和移动设备。最后，本文就如何通过分布式放置IDS和每个VM实例来保护云网络提出了进一步的建议。
2018-02-07 cs.CR
Intrusion-aware Alert Validation Algorithm for Cooperative Distributed Intrusion Detection Schemes of Wireless Sensor Networks
现有的无线传感器网络异常和入侵检测方案主要集中在入侵检测上。一旦检测到入侵，将生成警报或索赔。然而，网络中任何身份不明的恶意节点都可能向其他节点发送关于合法节点的错误异常和入侵声明。这种说法的有效性是一个关键的和具有挑战性的问题，没有考虑在现有的基于合作的分布式异常和入侵检测方案的无线传感器网络。在本文中，我们提出了一个验证算法，解决这个问题。该算法利用入侵感知可靠性的概念，有助于以适度的通信成本提供足够的可靠性。在本文中，我们还提供了一个安全弹性分析所提出的入侵感知警报验证算法。
2009-12-29 cs.CR
Blockchain Meets Adaptive Honeypots: A Trust-Aware Approach to Next-Gen IoT Security
School of Computer Science and Technology, Algoma University, Canada（计算机科学与技术学院，阿尔戈马大学，加拿大）；School of Electrical Engineering and Computer Science, University of Ottawa, Canada（电气工程与计算机科学学院，渥太华大学，加拿大）
本文提出了一种结合区块链和自适应陷阱的可信方法，用于增强下一代物联网的安全性，通过改进的随机森林和扩散卷积循环神经网络实现高效的入侵检测与防护。
2025-04-22 cs.AI cs.CR cs.ET
IPAL: Breaking up Silos of Protocol-dependent and Domain-specific Industrial Intrusion Detection Systems
工业网络的日益互联使其面临越来越大的网络攻击风险。为了及早发现此类攻击并防止任何损害，工业入侵检测会搜索其他可预测通信或流程行为中的异常。然而，目前的努力主要集中在特定的领域和协议，导致研究领域被分解成孤立的孤岛。因此，现有的方法不能应用于同样受益于强大检测的其他行业。为了更好地理解这个问题，我们调查了53个检测系统，并没有发现其狭隘的焦点的根本原因。虽然它们在实践中通常与特定的工业协议相结合，但许多方法在理论上可以推广到新的工业场景。为了释放这种潜力，我们提出了IPAL，我们的工业协议抽象层，解耦入侵检测领域特定的工业协议。在相关工作的再现性研究中证明了IPAL的正确性后，我们通过研究现有方法对新数据集的可推广性来展示其独特的优势，并得出结论，它们确实不限于特定的域或协议，并且可以在其受限的筒仓之外执行。
2022-07-11 cs.CR cs.NI
Individual Packet Features are a Risk to Model Generalisation in ML-Based Intrusion Detection
Department of Computer Science, Heriot-Watt University（计算机科学系，赫里奥特-沃森大学）
本文研究了单个数据包特征在机器学习入侵检测中的局限性，指出其导致模型泛化能力下降，并强调需考虑数据包交互以提升检测鲁棒性。
2024-06-07 cs.AI cs.CR cs.NI
Current Studies On Intrusion Detection System, Genetic Algorithm And Fuzzy Logic
入侵检测系统（IDS）是用来检测计算机系统或网络中恶意行为的一种系统安全技术。入侵检测系统中采用的方法有很多种，但不幸的是，每种方法到目前为止都不是完全理想的。在许多基于异常的入侵检测系统中，预测过程可能产生错误警报。利用模糊逻辑的概念，可以降低建立入侵活动时的虚警率。一组有效的模糊规则可以用来定义计算机网络中的正常和异常行为。因此，为了保证最佳安全性，需要对计算机网络中的异常行为进行监控。在本文中，我提出了一些研究论文的基础上的入侵检测系统，方法和良好的模糊分类器，使用遗传算法，这是目前的发展工作的重点和解决问题的入侵检测系统提供一个现实世界的入侵检测。最后，即将到来的技术和各种方法，承诺提高计算机系统检测入侵的能力进行了讨论。
2013-04-12 cs.CR
A Case for Network-wide Orchestration of Host-based Intrusion Detection and Response
本文提出一种中央编排器统一管理各主机IDS的网络范围防御方案，通过远程编程与实时告警收集实现协同响应，原型实验证明其能有效抵御真实攻击。
2025-04-08 cs.CR cs.NI
Towards Intrusion Detection Systems for RPL-based IoT Networks using Foundation Models
Uppsala University（乌普萨拉大学）
本研究探索使用基础模型（MOMENT）检测和识别RPL物联网网络中的多种攻击类型，在Cooja模拟数据集上实现了与现有方法相当的检测性能并有效区分攻击类型。
2026-06-02 cs.CR cs.NI
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
SOME/IP Intrusion Detection using Deep Learning-based Sequential Models in Automotive Ethernet Networks
LTCI Telecom Paris, IP Paris（巴黎电信学院LTCI（LTCI Telecom Paris, IP Paris））
入侵检测系统被广泛用于检测网络攻击，特别是对易受黑客攻击的协议，如SOME/IP。针对SOME/IP应用层协议，提出了一种基于深度学习的离线入侵检测时序模型。为了评估我们的入侵检测系统，我们生成了一个数据集，并标记了几个类代表现实的入侵，和一个正常的类-一个显着的贡献，由于没有这样的公开可用的数据集。此外，我们还提出了一个递归神经网络（RNN），作为基于深度学习的序列模型的一个实例，我们将其应用于我们生成的数据集。数值结果表明，RNN在预测车内入侵方面表现出色，F1得分和AUC值大于0.8，具体取决于每种入侵类型。
2021-10-10 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
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
A Transfer Learning Approach for Network Intrusion Detection
University of New South Wales（新南威尔士大学）
卷积神经网络（ConvNet）提供了一个很大的潜力，推广输入数据。它已被广泛应用于许多应用领域，例如视觉图像，其中提供了全面的学习数据集，并且ConvNet模型可以很好地训练并有效地执行所需的功能。ConvNet也可以应用于网络入侵检测。然而，目前可用的与网络入侵相关的数据集往往不足，这使得ConvNet学习不足，因此训练的模型不能胜任检测未知入侵。提出了一种基于迁移学习的网络入侵检测ConvNet模型。该模型由两个级联的ConvNets组成，并建立在两个阶段的学习过程上：学习基础数据集并将学习到的知识转移到目标数据集的学习中。在NSL-KDD数据集上的实验表明，该模型不仅在包含已知攻击的测试数据集（KDDTest+）上，而且在包含许多新攻击的测试数据集（KDDTest-21）上都能提高检测精度，与传统ConvNet模型相比，该模型在KDDTest+和KDDTest-21上分别提高了2.68%和22.02%.
2019-12-18 cs.CR cs.LG cs.NI
Federated Learning for Intrusion Detection in IoT Security: A Hybrid Ensemble Approach
IIT Bombay（印度理工学院孟买分校）
物联网（IoT）在智能城市、医疗保健、供应链和交通运输等各个领域的关键作用使其成为恶意攻击的目标。过去在这方面的工作集中在集中式入侵检测系统（IDS），假设存在一个中央实体来执行数据分析和识别威胁。然而，这样的IDS可能并不总是可行的，主要是由于跨多个源的数据传播和在中央节点处的收集可能是昂贵的。此外，早期的工作主要集中在提高真阳性率（TPR），而忽略了假阳性率（FPR），这对于避免系统不必要的停机时间也是至关重要的。在本文中，我们首先提出了一种基于混合集成模型的入侵检测系统架构，命名为PHEC，它提供了改进的性能相比，国家的最先进的架构。然后，我们将此模型调整为联邦学习框架，该框架执行本地训练并仅聚合模型参数。接下来，我们提出了集中式和联邦设置中的噪声容忍PHEC，以解决标签噪声问题。所提出的想法使用分类器，使用加权凸代理损失函数。KNN分类器对噪声数据的自然鲁棒性也用于所提出的架构。在四个来自各种安全攻击的基准数据集上的实验结果表明，我们的模型在噪声和干净数据上保持低FPR的同时实现了高TPR。此外，他们还证明了混合集成模型在联邦设置中的性能接近于集中式设置。
2021-06-25 cs.AI cs.CR cs.LG
Novel Approach to Intrusion Detection: Introducing GAN-MSCNN-BILSTM with LIME Predictions
Ibn Zohr University（伊本·佐尔大学）
本文提出一种结合GAN、MSCNN、BiLSTM和LIME的入侵检测系统，利用GAN生成流量数据、MSCNN-BiLSTM提取多尺度特征与时间依赖，并通过LIME提供可解释性，在Hogzilla数据集上取得99.16%多分类和99.10%二分类准确率。
2024-06-08 cs.AI cs.CR cs.NI
On generating network traffic datasets with synthetic attacks for intrusion detection
入侵检测领域的大多数研究都需要数据集来以这样或那样的方式开发，评估或比较系统。然而，在这个领域，找到合适的数据集本身就是一个挑战。大多数公开可用的数据集都具有限制其有用性的负面品质。在这篇文章中，我们提出了ID2T（入侵检测数据集工具包）来解决这个问题。ID2T通过将合成攻击注入到后台流量中来促进标记数据集的创建。注入的合成攻击通过模仿背景流量的属性将其自身与背景流量混合，以消除ID2T使用的任何痕迹。这项工作有三个核心贡献领域。首先，我们提出了一个全面的调查入侵检测数据集。在调查中，我们提出了一种分类方法来对我们在数据集中发现的负面品质进行分组。其次，对ID2T的体系结构进行了修改、改进和扩展。这些架构变化使ID2T能够注入最新和高级的攻击，例如广泛的EternalBlue漏洞或僵尸网络通信模式。该工具包的新功能提供了一组测试，称为TIDED（测试入侵检测数据集），有助于识别注入攻击的后台流量中的潜在缺陷。第三，我们说明了ID2T是如何在不同的用例场景中使用，以评估性能的异常和基于签名的入侵检测系统的可重复的方式。ID2T是开源软件，可供社区使用，以扩展其攻击和功能。
2019-05-01 cs.CR
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
Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）
针对网络入侵检测中概念漂移和数据不平衡导致性能下降且标注困难的问题，提出生成式主动适应框架NetGuard，通过密度感知先验选择和深度生成模型合成样本，显著提升了罕见攻击检测的F1分数并降低了标注成本。
2025-08-14 cs.CR cs.LG cs.NI
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
Soft Computing Models for Network 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。计算机安全被定义为保护计算系统免受对机密性、完整性和可用性的威胁。有两种类型的入侵者：外部入侵者，他们是他们攻击的机器的未经授权的用户，以及内部入侵者，他们有权限访问系统，但有一些限制。本章介绍了一种软计算方法来检测网络中的入侵。在软计算的几个范例中，我们研究了基于模糊规则的分类器，决策树，支持向量机，线性遗传编程和集成方法来建模快速，高效的入侵检测系统。实验结果清楚地表明，软计算方法可以发挥重要作用的入侵检测。
2004-05-13 cs.CR
Anomaly Generation using Generative Adversarial Networks in Host Based Intrusion Detection
University of Central Florida（中佛罗里达大学）
生成对抗网络已经能够在各个领域产生惊人的结果。这种生成能力可以是通用的，而网络可以深入了解数据分布。在许多领域中，这种数据分布由异常和正常数据组成，异常通常发生相对较少，从而创建不平衡的数据集。可以利用生成对抗网络提供的功能来检查这些异常，并通过创建合成异常来帮助缓解不平衡数据集带来的挑战。这种异常生成在具有昂贵的数据创建过程以及固有的不平衡数据集的领域中特别有益。符合此描述的域之一是基于主机的入侵检测域。在这项工作中，ADFA-LD数据集被选为包含小足迹下一代攻击的系统调用的感兴趣的数据集。首先将数据转换为图像，然后使用Cycle-GAN从正常数据的图像中创建异常数据的图像。生成的数据与原始数据集相结合，并用于训练模型以检测异常。通过这样做，表明分类结果得到改善，AUC从0.55上升到0.71，异常检测率从17.07%上升到80.49%。结果还比较SMOTE，显示了潜在的生成对抗网络异常生成。
2018-12-11 cs.CR cs.CV cs.LG
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
Decentralised Trustworthy Collaborative Intrusion Detection System for IoT
入侵检测系统（IDS）已经成为保护物联网网络免受已知攻击的行业标准。为了提高入侵检测系统的能力，研究人员提出了基于区块链的协作入侵检测系统（CIDS）的概念，其中区块链作为一个分散的平台，允许CIDS节点之间的协作共享入侵相关信息，例如入侵警报和检测规则。然而，基于区块链的CIDS中的建议忽略了对每个节点的可信度进行持续评估的重要性，并且通常基于节点始终是诚实的假设来工作。在本文中，我们提出了一个分散的CIDS，强调CIDS节点之间建立信任的重要性。在我们提出的解决方案中，每个CIDS节点交换检测规则，以帮助其他节点检测新类型的入侵。我们的架构将信任计算卸载到区块链，并利用分散的存储来托管共享的可信检测规则，从而确保可扩展性。我们在实验室规模的测试平台上的实现表明，我们的解决方案是可行的，并且在以太坊平台的预期基准内执行。
2021-10-21 cs.CR
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
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
Near Real-time Learning and Extraction of Attack Models from Intrusion Alerts
关键和复杂的网络攻击通常需要大量的侦察、利用和混淆技术才能穿透保护良好的企业网。发现和检测攻击虽然需要不断努力，但已经不够。安全运营中心（SOC）分析师被大量的入侵警报淹没，无法提取可操作的情报。认识到这一挑战，本文描述了通过部署ASSERT处理来自OmniSOC的入侵警报与印第安纳大学应用网络安全研究中心（CACR）合作的进展和发现。ASSERT利用信息理论无监督学习来提取和更新“攻击模型”在接近实时的【形】没有专家知识。它使用流式入侵警报并生成少量统计模型，以便SOC分析师及时了解正在进行的和新出现的攻击。本文介绍了ASSERT的体系结构和关键流程，并讨论了一些现实世界的攻击模型，以突出有利于SOC操作的用例。该研究团队正在开发一个轻量级的容器化ASSERT，它将通过公共存储库共享，以帮助社区对抗压倒性的入侵警报。
2021-03-25 cs.CR
A Lightweight Multi-Attack CAN Intrusion Detection System on Hybrid FPGAs
Trinity College Dublin（都柏林圣三一大学）
本文提出在 Zynq Ultrascale+ FPGA 上部署量化多攻击 CAN 入侵检测模型，以 2.0 W 功耗实现 99% 以上准确率并降低 25% 延迟。
2024-01-19 cs.CR cs.LG cs.SY
Combining ensemble methods and social network metrics for improving accuracy of OCSVM on intrusion detection in SCADA systems
现代监控和数据采集SCADA系统被电力公用事业行业用来监测和控制发电、输电和配电，如今被认为是电力输送基础设施的关键组成部分。SCADA系统是大型的、复杂的，并且包含越来越多的广泛分布的组件。实时的入侵检测机制的存在，它可以应付不同类型的攻击，是非常重要的，为了保护系统免受网络攻击这种防御机制必须是分布式的，廉价的，最重要的是准确的，因为假阳性警报，或错误的入侵的起源意味着严重的成本系统。最近提出了一种集成的检测机制，即IT-OCSVM，它分布在SCADA网络中作为分布式入侵检测系统（IDS）的一部分，提供有关入侵的起源和时间的准确数据。在本文中，我们还分析了综合检测机制的体系结构，我们进行了广泛的模拟的基础上，在一个小型的SCADA测试平台，以评估所提出的机制的性能。
2015-07-16 cs.CR
$\text{C}^{2}\text{BNVAE}$: Dual-Conditional Deep Generation of Network Traffic Data for Network Intrusion Detection System Balancing
本文提出$\ ext{C}^{2}\ ext{BNVAE}$模型，通过将CBN融入CVAE生成平衡的网络流量数据，有效解决了NIDS中的类别不平衡问题，并在NSL-KDD数据集上以较低计算开销提升了检测性能。
2025-06-27 cs.CR
Deep Q-Learning based Reinforcement Learning Approach for Network Intrusion Detection
Imam Reza International University（伊玛目礼萨国际大学）
新一代网络威胁的兴起需要更复杂和智能的网络防御解决方案，这些解决方案配备了能够在没有人类专家知识的情况下学习做出决策的自主智能体。几种强化学习方法（例如，马尔可夫）的自动化网络入侵任务已经提出了在最近几年。提出了一种新一代的网络入侵检测方法，该方法将基于Q学习的强化学习与深度前馈神经网络方法相结合，用于网络入侵检测。我们提出的深度Q-Learning（DQL）模型为网络环境提供了持续的自动学习能力，可以使用自动试错方法检测不同类型的网络入侵，并不断增强其检测能力。我们提供了微调DQL模型中涉及的不同超参数的细节，以实现更有效的自学习。根据我们在NSL-KDD数据集上的大量实验结果，我们确认在250集的训练下，较低的折扣因子设置为0.001，可以产生最佳的性能结果。我们的实验结果也表明，我们提出的DQL是非常有效的检测不同的入侵类，并优于其他类似的机器学习方法。
2021-11-27 cs.AI cs.CR
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
VHDL Modeling of Intrusion Detection & Prevention System (IDPS) A Neural Network Approach
万维网和网络系统的快速发展和扩展在过去十年中改变了计算世界，并且也为入侵者和黑客提供了用于其破坏目的的新设施。入侵者对计算机系统的未授权访问所造成的临时或永久性损害的成本促使不同的组织越来越多地实施各种系统来监视其网络中的数据流。我们的目标是实现一个人工网络的方法来设计入侵检测和防御系统，并最终将设计的模型转换为VHDL（超高速集成电路硬件描述语言）代码。此功能使系统能够针对可能的攻击建议适当的操作。本研究的结果表明，人工神经网络的潜在适用性，开发实用的入侵检测系统。
2014-02-21 cs.CR
Mimic Learning to Generate a Shareable Network Intrusion Detection Model
Tennessee Tech University（田纳西理工大学）；Benha University（本哈大学）；North Carolina A&T State University（北卡罗来纳农工州立大学）
恶意网络攻击的提供者继续增加其技术的复杂性和复杂性，并且他们逃避检测的能力也继续提高。因此，入侵检测系统也必须发展，以满足这些日益具有挑战性的威胁。机器学习通常用于支持这种所需的改进。然而，训练良好的预测模型可能需要大量标记的训练数据。这些数据集很难获得，因为隐私问题阻止了大多数入侵检测机构共享其敏感数据。在本文中，我们提出了使用模仿学习，使入侵检测知识的转移，通过私人数据训练的教师模型的学生模型。这种学生模型提供了一种公开共享从私有数据中提取的知识的方法，而无需共享数据本身。我们的研究结果证实，该方案可以产生一个学生入侵检测模型，模仿教师模型，而不需要访问原始数据集。
2020-02-18 cs.CR cs.LG stat.ML
