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
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
FAST-IDS: A Fast Two-Stage Intrusion Detection System with Hybrid Compression for Real-Time Threat 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）
FAST-IDS是一种用于连接与自动驾驶车辆实时威胁检测的快速两阶段入侵检测系统，采用混合压缩技术提升实时检测性能。
2025-12-30 cs.AI cs.CR
RNNIDS: Enhancing Network Intrusion Detection Systems through Deep Learning
通过互联网传递的信息的安全性受到当今最先进的恶意软件的威胁，从精心策划的僵尸网络到简单的多态蠕虫。作为零日攻击的例子，这些威胁能够在其存在的早期阶段多次改变其行为，以绕过网络入侵检测系统（NIDS）。事实上，即使是精心设计的，并经常更新的基于签名的NIDS不能检测零日对待由于缺乏足够的签名数据库，适应智能攻击在互联网上。更重要的是，有了NIDS，它应该在恶意流量数据集上进行测试，这些恶意流量数据集不仅代表已知的攻击，而且还可以在一定程度上反映未知的零日攻击的特征。产生这样的流量在文献中被确定为评估NIDS的有效性的主要障碍之一。为了解决这些问题，我们引入了RNNIDS，它应用递归神经网络（RNN）来发现攻击中的复杂模式并生成类似的模式。在这方面，我们首次证明了RNN有助于生成新的、看不见的攻击突变体以及来自最先进恶意软件的合成签名，以提高入侵检测率。此外，为了进一步增强NIDS的设计，可以使用RNN来生成恶意数据集，例如，恶意软件的隐形变种为了评估我们的方法的可行性，我们进行了广泛的实验，将公开可用的数据集，在那里我们表现出相当大的改善，在一个现成的NIDS的检测率（高达16.67%）。
2020-12-21 cs.CR
TEAM: Temporal Adversarial Examples Attack Model against Network Intrusion Detection System Applied to RNN
School of Cyber Science and Engineering, Wuhan University（武汉大学网络安全学院）
提出针对RNN的时间对抗样本攻击模型TEAM，利用时间步关联和时间膨胀技术，显著提升NIDS在黑盒和白盒下的误判率，最高超过96.68%。
2024-09-19 cs.AI 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
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
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
Privacy Preserving Architectures for Collaborative Intrusion Detection
多个组织之间的协作是现代入侵检测的必要条件。随着现代威胁变得越来越复杂，组织很难仅利用其网络本地的威胁上下文进行防御。全球\emph{threat intelligence}的可用性是组织防御现代高级持续威胁（APT）的必要条件。为了从这种全球范围的攻击中受益，隐私问题仍然是主要的障碍。在这份立场书中，我们将现实世界的隐私问题确定为精确的用例，相关的加密技术，并讨论用于协作入侵检测的隐私保护架构。
2016-02-08 cs.CR
Hybrid LLM-Enhanced Intrusion Detection for Zero-Day Threats in IoT Networks
Dept. of Computer Engineering, The Hashemite University（计算机工程系，哈希米大学）；School of Computer Science and Technology, Algoma University（计算机科学与技术学院，阿尔戈马大学）；College of Computer Science and Engineering, University of Jeddah（计算机科学与工程学院，朱德赫大学）；School of Electrical Engineering and Computer Science, University of Ottawa（电气工程与计算机科学学院，渥太华大学）
本文提出一种结合传统签名检测与GPT-2语言模型的混合入侵检测框架，以提升物联网网络中零日威胁的检测准确率和减少误报。
2025-07-10 cs.AI cs.CR cs.LG
Unsupervised Anomaly Detectors to Detect Intrusions in the Current Threat Landscape
University of Florence（佛罗伦萨大学）
异常检测旨在识别给定系统的预期行为中的意外波动。它被认为是识别零日攻击的可靠答案，多年来已经提出了几种适合二进制分类的ML算法。然而，针对一组全面的攻击数据集的基于异常的入侵检测的广泛的无监督算法池的实验比较尚未调查。为了填补这一空白，我们在11个攻击数据集上运行了17个无监督异常检测算法。结果允许详细说明各种参数，从单个算法的行为到数据集对异常检测的适用性。我们的结论是，算法隔离森林，一类支持向量机和自组织地图是更有效的入侵检测比他们的同行，而聚类算法是一个很好的选择，由于其低的计算复杂性。此外，我们详细介绍了如何攻击不稳定，分布式或不可重复的行为，如Fuzzing，蠕虫和僵尸网络更难以检测。最后，我们离题的算法在检测由广泛的未知攻击池产生的异常的能力，实现的度量分数不相对于识别单一的攻击而变化。
2020-12-21 cs.CR cs.LG 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
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
Threat analysis of IoT networks Using Artificial Neural Network Intrusion Detection System
物联网（IoT）仍处于起步阶段，并在许多工业领域引起了极大的兴趣，包括医疗领域，物流跟踪，智能城市和汽车。然而，作为一个范例，它容易受到一系列重大入侵威胁的影响。本文介绍了物联网的威胁分析，并使用人工神经网络（ANN）来对抗这些威胁。使用互联网数据包跟踪来训练一种多级感知器，这是一种有监督的人工神经网络，然后评估其阻止分布式拒绝服务（DDoS/DoS）攻击的能力。本文重点介绍物联网网络上正常和威胁模式的分类。人工神经网络过程在模拟的物联网网络上进行了验证。实验结果表明，99.4%的准确率，可以成功地检测各种DDoS/DoS攻击。
2017-04-07 cs.CR cs.NE
A Taxonomy of Malicious Traffic for Intrusion Detection Systems
随着网络威胁的不断增加，为了设计更好的入侵检测系统，了解现有的和新的网络威胁是至关重要的。在本文中，我们提出了一种分类网络攻击的一致的方式，使安全研究人员能够集中精力创建准确的入侵检测系统和有针对性的数据集。
2018-06-09 cs.CR
Visually Analyze SHAP Plots to Diagnose Misclassifications in ML-based Intrusion Detection
Tennessee Tech（田纳西理工大学）；Syracuse University（雪城大学）；Tennessee State University（田纳西州立大学）
本文提出一种基于可解释人工智能的可视化分析方法，利用重叠SHAP图识别入侵检测系统中的假阳性和假阴性，为安全分析师提供决策指导。
2024-11-04 cs.CR cs.LG
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
Zero-Day Threats Detection for Critical Infrastructures
本文针对关键基础设施入侵检测，提出基于模糊化特征选择与集成学习的计算框架，并在NSL-KDD和UGRansome数据集上验证随机森林与XGB在零日攻击检测中优于已有方法。
2023-06-10 cs.CR cs.NI
Intrusions into Privacy in Video Chat Environments: Attacks and Countermeasures
诸如Chatroulette的视频聊天系统作为一种以开放和交互的方式通过视频和音频与在线的其他用户一对一地见面和交谈的方式已经变得越来越受欢迎。与此同时，这种通信所固有的安全和隐私问题却很少有人探讨。本文提出了在这样的视频聊天系统中发现的隐私威胁的第一次调查，确定三个这样的威胁，即去匿名化攻击，网络钓鱼攻击和中间人攻击。本文进一步描述了针对这些攻击的对策。
2010-07-08 cs.CR cs.NI
Machine Learning-Enabled IoT Security: Open Issues and Challenges Under Advanced Persistent Threats
University of Ottawa（渥太华大学）；Ciena（CIENA公司）
尽管物联网（IoT）具有技术优势，但由于无线介质中的漏洞，物联网（IoT）具有网络弱点。基于机器学习（ML）的方法被广泛用于物联网网络中的网络威胁，具有良好的性能。高级持续性威胁（APT）是网络犯罪分子危害网络的突出表现，具有长期性和危害性的特点。然而，它是很难应用ML为基础的方法来识别APT攻击，以获得一个有前途的检测性能，由于正常流量中的一个非常小的百分比。由于缺乏所有类型的APT攻击的公共数据集，因此对物联网网络中的APT攻击进行全面调查的调查有限。这是值得桥梁的国家最先进的网络攻击检测与APT攻击检测在一个全面的评论文章。这篇调查文章回顾了物联网网络中的安全挑战，并介绍了物联网系统中众所周知的攻击、APT攻击和威胁模型。同时，基于特征的，基于异常的，和混合的入侵检测系统的物联网网络进行了总结。本文重点介绍了针对网络入侵的常用ML方法的统计见解以及检测到的攻击类型的数量。最后，常见的网络入侵和APT攻击的开放性问题和挑战，为未来的研究。
2022-04-17 cs.CR cs.LG cs.NI
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
Semantic Multi-Agent Intrusion Detection for IoT:Zero-Day and Adversarial Threats with Risk-Aware Reasoning
Polytechnique Montréal（蒙特利尔高等理工学院）
提出一种结合语义嵌入与多阶段概率决策融合的语义多智能体入侵检测系统，通过四个智能体协作实现零日攻击和对抗攻击的高效检测，在多个真实物联网数据集上达到95.9%检测准确率。
2026-10-30 cs.CR
HybridGuard: Enhancing Minority-Class Intrusion Detection in Dew-Enabled Edge-of-Things Networks
Department of Computer Science and Information Engineering, National Taiwan University of Science and Technology（计算机科学与信息工程系，台湾科技大学）；Department of Computer Science and Engineering, Digital University Kerala（计算机科学与工程系，数字大学喀拉拉）
针对露水使能物联网边缘网络的入侵检测挑战，提出HybridGuard框架，通过互信息特征选择和WCGAN-GP解决数据不平衡问题，采用DualNetShield两阶段架构，在三个数据集上表现优于现有方案，提升少数攻击类检测性能。
2025-11-11 cs.AI cs.CR cs.LG
X-CBA: Explainability Aided CatBoosted Anomal-E for Intrusion Detection System
Istanbul Technical University（伊斯坦布尔技术大学）；BTS Group（BTS集团）；Edinburgh Napier University（爱丁堡龙比亚大学）
针对IDS中ML/DL模型因决策不透明导致的信任缺失问题，提出可解释IDS方法X-CBA，结合GNN结构优势与新XAI方法，利用网络流数据（含边属性）提升检测能力，实现99.47%的检测准确率并提供可解释性。
2024-06-02 cs.AI cs.CR cs.LG
TSNZeek: An Open-source Intrusion Detection System for IEEE 802.1 Time-sensitive Networking
IEEE 802.1时间敏感网络（TSN）标准被设想用来取代关键域中的传统网络协议，以确保通过现成的以太网设备进行可靠和确定性的通信。然而，它们缺乏安全对策，甚至可以施加可能导致危险后果的新攻击媒介。本文介绍了第一个开源的安全监测和入侵检测机制，TSNZeek，IEEE 802.1 TSN协议。我们扩展了现有的监控工具，Zeek，一个新的数据包解析语法处理TSN数据流量和基于规则的攻击检测引擎TSN特定的威胁。我们还讨论了各种安全相关的配置和设计方面的IEEE 802.1 TSN监控。我们的实验表明，TSNZeek的原因只有约5%的CPU开销上的Zeek，并成功地检测到各种威胁在一个真正的TSN测试床。
2023-03-20 cs.CR cs.NI
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
CoAP-DoS: An IoT Network Intrusion Dataset
The Citadel（要塞军事学院）
随着物联网设备越来越多地集成到重要网络中，对安全物联网（IoT）设备的需求正在增长。许多系统依靠这些设备保持可用并提供可靠的服务。针对物联网设备的拒绝服务攻击是一个真正的威胁，因为这些低功耗设备非常容易受到拒绝服务攻击。支持机器学习的网络入侵检测系统在识别新威胁方面非常有效，但它们需要大量数据才能正常工作。有许多网络流量数据集，但很少有关注物联网网络流量的数据集。在物联网网络数据集中，缺乏CoAP拒绝服务数据。我们提出了一个新的数据集覆盖这一差距。我们通过收集来自真实CoAP拒绝服务攻击的网络流量开发了一个新的数据集，并比较了多个不同机器学习分类器上的数据。我们表明，数据集是有效的许多分类。
2022-06-29 cs.AI cs.CR cs.NI
IDPS: An Integrated Intrusion Handling Model for Cloud
如今，许多组织正在将其计算服务迁移到云。这使得他们的计算机处理更方便用户。但是，它也带来了新的安全威胁和安全性和可靠性方面的挑战。事实上，云计算对买家来说是一种有吸引力且节省成本的服务，因为它为用户提供了可访问性和可靠性选项，并为供应商提供了可扩展的销售。尽管具有吸引力，但云功能在云环境中部署入侵检测系统（IDS）时会带来各种新的安全威胁和挑战。大多数入侵检测系统（IDS）都是为了处理特定类型的攻击而设计的。很明显，没有一种技术可以保证防止未来的攻击。因此，需要一种集成方案，该方案可以针对完整的威胁谱提供强大的保护。另一方面，非常需要能够使网络及其主机以某种程度的智能进行自我保护的技术，以便准确识别和阻止恶意流量和活动。在这种情况下，它被称为入侵防御系统（IPS）。因此，在本文中，我们强调在云计算环境中的安全和隐私方面的IDS的最新实现。我们提出了一个有效的和高效的模型称为集成入侵检测和防御系统（IDPS），它结合了入侵检测和入侵防御系统在一个单一的机制。我们的机制还集成了两种技术，即异常检测（AD）和签名检测（SD），可以协同工作，以检测各种数量的攻击，并通过IPS的能力阻止他们。
2012-03-15 cs.CR cs.NI
Convolutional Neural Network for Intrusion Detection System In Cyber Physical Systems
信息和通信技术在工业控制系统等关键基础设施中的广泛使用使其容易受到网络攻击。一类特殊的网络攻击是高级持续性威胁，其中高技能的攻击者可以窃取用户身份验证信息，并在网络中从一台主机移动到另一台主机，直到到达有价值的目标。应该尽快检测到攻击者，以便采取适当的响应，否则攻击者将有足够的时间到达敏感资产。面对智能威胁时，必须设计智能解决方案。因此，在本文中，我们利用深度学习的最新进展来构建一个卷积神经网络，可以检测网络物理系统中的入侵。将该入侵检测系统应用于NSL-KDD数据集，并与现有技术进行了比较，结果表明了该技术的有效性。
2019-06-07 cs.CR cs.LG
Impacts of Data Preprocessing and Hyperparameter Optimization on the Performance of Machine Learning Models Applied to Intrusion Detection Systems
Command and Control Company（指挥控制公司）；Brazillian Army（巴西陆军）；Instituto Militar de Engenharia (IME/RJ)（军事工程学院（里约热内卢））
本研究通过两个数据集实验，评估数据预处理与超参数优化对入侵检测系统机器学习模型的影响，发现正确应用这些技术可提升模型稳健性并显著缩短训练和测试时间。
2024-07-15 cs.AI cs.CR cs.LG
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
A Scalable Hierarchical Intrusion Detection System for Internet of Vehicles
School of Information Technology, Crown Institute of Higher Education（信息技术学院，皇冠高等教育学院）
针对车联网集中式入侵检测延迟高、边缘节点资源受限的问题，提出一种分层分类框架，结合Boruta特征选择，在CIC-IoV2024数据集上验证了其可行性和有效性。
2025-05-22 cs.CR cs.LG
Robust Intrusion Detection System with Explainable Artificial Intelligence
Ericsson Research（爱立信研究院）；Ericsson Standards and Technology（爱立信标准与技术部门）
本文提出一种基于可解释人工智能（XAI）的对抗攻击检测与缓解策略，在O-RAN的RRC层实现零接触实时防御，并通过多场景测试验证其有效性。
2025-03-07 cs.CR cs.LG
Prepare for Trouble and Make it Double. Supervised and Unsupervised Stacking for AnomalyBased Intrusion Detection
University of Florence（佛罗伦萨大学）
在过去的几十年里，研究人员，从业者和公司努力设计机制来检测源于安全威胁的恶意活动。在众多解决方案中，网络入侵检测成为最流行的解决方案之一，可以分析网络流量并基于规则或通过机器学习器（ML）检测正在进行的入侵，机器学习器处理这些流量并学习模型以怀疑入侵。有监督的ML在检测已知威胁方面非常有效，但在识别零日攻击（在学习阶段未知）方面很困难，而零日攻击可以通过无监督的ML来检测。不幸的是，有没有明确的答案结合使用这两种方法的网络入侵检测。在本文中，我们首先扩展了零日攻击的问题，并激发了将监督和无监督算法相结合的需要。我们建议采用元学习，以两层堆栈的形式，创建一个混合的方法，检测已知和未知的威胁。然后，我们通过一个实验活动来实现和经验性地评估我们的Stacker，该活动允许i）通过无监督的基本级别学习器来讨论元特征，ii）选择最有前途的监督元级别分类器，iii）对Stacker的监督和无监督分类器进行基准分类得分。最后，我们比较我们的解决方案与现有的作品，从最近的文献。总的来说，我们的Stacker在我们考虑的所有7个公共数据集中减少了关于（无）监督ML算法的错误分类，并在这7个数据集中的6个数据集中优于现有的研究。特别是，它在检测零日攻击方面比监督算法更有效，限制了它们的主要弱点，但仍然保持了检测已知攻击的足够能力。
2022-02-28 cs.AI cs.CR
A Machine Learning Based Intrusion Detection System for Software Defined 5G Network
College of Information Science & Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）
作为未来5G网络的必然趋势，软件定义架构在提供集中控制和灵活资源管理方面具有诸多优势。但它也面临着各种安全挑战和新兴服务和技术的潜在威胁。入侵检测系统（IDS）作为网络安全的焦点，通常是分散部署，缺乏协作.它们也无法检测到智能能力有限的新型攻击，这难以满足软件定义的5G需求。本文提出了一种基于软件定义5G架构的智能入侵系统，该系统结合了软件定义技术和人工智能的先进技术。它灵活地将安全功能模块与全局视图相结合，在集中管理和控制下自适应地调用。它还可以通过使用机器学习算法来处理未知的入侵。评估结果表明，智能入侵检测系统达到了较好的性能。
2017-07-10 cs.AI cs.CR cs.NI
Modeling Realistic Adversarial Attacks against Network Intrusion Detection Systems
机器学习算法在支持网络安全方面的逐步扩散正在创造新的防御机会，但也带来了新的风险。多项研究表明，机器学习方法容易受到对抗攻击的攻击，这些攻击会产生微小的扰动，从而降低检测威胁的有效性。我们观察到，现有文献假设的威胁模型不适合现实的网络安全场景，因为它们认为对手对网络检测器有完整的了解，或者可以自由地与目标系统进行交互。通过关注基于机器学习的网络入侵检测系统，我们识别和建模攻击者进行可行和成功的对抗攻击所需的真实能力和环境。然后，我们将我们的模型应用于文献中提出的几种对抗攻击，并强调了可能导致实际对抗攻击的限制和优点。本文的贡献可以通过让网络防御者解决最关键和最真实的问题来帮助加强防御系统，并可以通过允许研究人员根据现实的威胁模型设计新颖形式的对抗攻击来使他们受益。
2021-06-17 cs.CR
Effectiveness of Intrusion Prevention Systems (IPS) in Fast Networks
计算机系统面临的最大威胁是恶意数据，这些恶意数据会导致拒绝服务、信息窃取、财务和信誉损失等。入侵检测和防御系统（IDS）是最好的解决方案。这些技术正受到越来越多的关注。虽然入侵防御系统（IPS）在检测和防止网络入侵尝试方面取得了很好的成功，但当它们被用于快速网络时，它们的性能表现出明显的不足。在本文中，我们提出了一个设计，包括定量和定性的方法来确定改进领域的IPS。定性分析采用焦点小组法，定量分析采用实验法。本文还描述了如何减少响应时间的IPS时，网络上发生的入侵，以及如何才能使IPS成功地执行其任务，而不影响网络速度的负面影响。
2010-06-23 cs.CR
Adaptive Intrusion Detection System Leveraging Dynamic Neural Models with Adversarial Learning for 5G/6G Networks
University of Newcastle（纽卡斯尔大学）；Thapar Institute of Engineering and Technology（塔帕尔工程技术学院）
本文提出利用动态神经网络和对抗学习的适应性入侵检测系统，通过增量学习减少重新训练需求，提升5G/6G网络的实时威胁检测与响应能力。
2025-12-13 cs.CR cs.LG
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 Synergistic Approach In Network Intrusion Detection By Neurosymbolic AI
University of Ferrara（费拉拉大学）；University of West Florida（西佛罗里达大学）；United States Military Academy（美国军事学院）
本文提出将神经符号人工智能融入网络入侵检测系统，结合深度学习的数据驱动优势与符号AI的逻辑推理能力，以提升对复杂网络威胁的检测性能、可解释性和适应性。
2024-06-03 cs.AI cs.CR cs.SC
Machine Learning-Assisted Intrusion Detection for Enhancing Internet of Things Security
University of New Mexico（新墨西哥大学）；Florida International University（佛罗里达国际大学）；Florida Atlantic University（佛罗里达大西洋大学）；University of Washington（华盛顿大学）；Islamic Azad University（伊斯兰阿扎德大学）
本文调研了物联网安全领域基于机器学习的入侵检测策略最新研究，梳理相关研究并分类，指出现有研究空白与框架局限，为未来研究提供参考。
2024-10-06 cs.CR cs.LG
Accelerating IoV Intrusion Detection: Benchmarking GPU-Accelerated vs CPU-Based ML Libraries
Kadir Has University（卡迪尔哈斯大学）；Center for Cyber Security and Critical Infrastructure Protection（网络安全与关键基础设施保护中心）；CyberMACS
本研究比较了车联网入侵检测中GPU加速库cuML与CPU实现scikit-learn的性能，发现GPU加速在保持检测准确率的同时，将训练时间最多减少159倍、预测速度最多加快95倍，满足了车联网实时安全需求。
2025-04-03 cs.AI cs.CR cs.LG
Securing the Digital World: Protecting smart infrastructures and digital industries with Artificial Intelligence (AI)-enabled malware and intrusion detection
University of Oxford（牛津大学）
本文研究基于AI的网络威胁检测，评估ML分类器及集成方法在恶意软件与网络入侵检测中的应用，探讨其在网络、移动及IoT安全中的集成挑战与解决方案，并提出未来研究方向以增强数字产业安全与弹性。
2023-10-15 cs.CR cs.LG
A Risk Manager for Intrusion Tolerant Systems: Enhancing HAL 9000 with New Scoring and Data Sources
Department of Computer Science（计算机科学系）；Faculty of Sciences of University of Porto（葡萄牙波尔图大学科学学院）；Centre Advanced Computing Systems（先进计算系统中心）；Institute for Systems and Computer Engineering, Technology and Science（系统与计算机工程、科技与科学研究所）；UMBC（美国马里兰大学巴尔的摩县分校）
本文通过引入定制爬虫持续挖掘安全公告、研究论坛和实时漏洞利用概念验证等多样化威胁来源，扩展了入侵容忍系统风险管理器 HAL 9000 的情报基础，使其能更早检测和评估未验证漏洞，并验证了该集成显著提升了对新兴威胁的应对能力。
2025-08-18 cs.CR cs.LG
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
Hybrid Machine Learning Models for Intrusion Detection in IoT: Leveraging a Real-World IoT Dataset
Florida Atlantic University（佛罗里达大西洋大学）
本文提出融合RF、XGBoost、KNN和AdaBoost的投票式混合分类器，并基于IoT-23在二分类与多分类任务中验证其优于单一模型。
2025-02-17 cs.AI cs.CR
Wireless Intrusion Detection Systems(WIDS)
无线网络和移动计算应用的迅速普及改变了网络安全的格局，无线网络改变了企业、组织的工作方式，并提供了一系列新的可能性和灵活性;很明显，无线解决方案正在改变我们的工作和生活方式。员工能够通过移动设备与他们的电子邮件、日历和雇主保持联系，但另一方面，他们引入了新的安全威胁。虽然攻击者需要物理访问有线网络才能访问网络并实现其目标，但无线网络允许其范围内的任何人被动监视流量甚至开始攻击，可以使用的对策之一是入侵检测系统，以便让我们了解影响无线网络的威胁和系统漏洞，从而防止对于那些攻击者来说，IDS的主要目的是管理系统及其操作，并依赖于它的职责。
2013-02-27 cs.CR cs.NI
Dependable Intrusion Detection System for IoT: A Deep Transfer Learning-based Approach
Mawlana Bhashani Science and Technology University（莫拉纳·巴沙尼科技大学）；Deakin University（迪肯大学）；RMIT University（皇家墨尔本理工大学）；University of Saskatchewan（萨斯喀彻温大学）；Charles Sturt University（查尔斯史都华大学）
物联网应用程序的安全问题一直令人担忧，因为它们在不同的企业系统中广泛使用。这些应用程序的潜在威胁不断出现和变化，因此，需要针对此类威胁的复杂可靠的防御解决方案。随着物联网网络的快速发展和威胁类型的不断演变，传统的基于机器学习的入侵检测系统必须进行更新，以应对当前可持续物联网环境的安全需求。近年来，深度学习和深度迁移学习在不同领域取得了巨大的成功，并已成为可靠网络入侵检测的潜在解决方案。然而，在异构物联网设置中，传统IDS的准确性、效率、可扩展性和可靠性方面出现了新的和新兴的挑战。本文提出了一种基于深度迁移学习的可靠入侵检测模型，该模型优于现有的几种方法。独特的贡献包括有效的属性选择，最适合识别少量标记数据的正常和攻击场景，设计一个可靠的基于深度迁移学习的ResNet模型，并考虑真实世界的数据进行评估。为此，进行了全面的实验性能评估。广泛的分析和性能评估表明，该模型是强大的，更有效的，并已表现出更好的性能，确保可靠性。
2022-04-11 cs.CR cs.LG
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
Towards Explainable Network Intrusion Detection using Large Language Models
The University of Queensland（昆士兰大学）
本文研究大型语言模型（如GPT-4、LLama3）用于网络入侵检测系统（NIDS）的可行性，通过与传统模型比较，发现其虽不适合直接检测恶意NetFlows，但结合RAG和函数调用可作为互补智能体辅助解释与威胁响应。
2024-08-08 cs.AI cs.CR cs.NI
Application of Deep Reinforcement Learning for Intrusion Detection in Internet of Things: A Systematic Review
本系统综述探讨深度强化学习在物联网入侵检测中的应用，通过分析近十年研究，表明DRL能增强IDS适应性，提高威胁检测准确性并减少误报，同时指出研究空白与未来方向。
2025-04-20 cs.CR
A review of security attacks and Intrusion Detection Schemes in Wireless Sensor Networks
无线传感器网络（WSNs）目前用于不同的工业和消费应用，例如地球监测、健康相关应用、自然灾害预防和许多其他领域。由于传感器节点资源的有限性，安全性是无线传感器网络的主要问题之一。然而，这些网络正面临着影响其运作和生命的若干威胁。在本文中，我们提出了无线传感器网络的安全攻击，我们专注于最近的入侵检测方案在无线传感器网络的审查和分析。
2014-01-09 cs.CR cs.NI
CITADEL: Continual Anomaly Detection for Enhanced Learning in IoT Intrusion Detection
本文提出CITADEL自监督持续学习框架，通过记忆感知掩码自编码器和表格到图像转换模块解决物联网入侵检测中的灾难性遗忘问题，在多个数据集上较VLAD提升高达72.9%。
2025-08-26 cs.CR
LCCDE: A Decision-Based Ensemble Framework for Intrusion Detection in The Internet of Vehicles
Western University（韦仕敦大学）；S2E Technologies（S2E科技公司）
现代车辆，包括自动驾驶车辆和联网车辆，通过与其他车辆、智能设备和基础设施的连接和通信，采用了越来越多的功能。然而，车联网（IoV）的连接性不断增长，也增加了网络攻击的脆弱性。为了保护IoV系统免受网络威胁，已经使用机器学习（ML）方法开发了可以识别恶意网络攻击的入侵检测系统（IDS）。为了准确检测车联网网络中的各种类型的攻击，我们提出了一种新的集成IDS框架命名为领导类和信心决策Entrance（LCCDE）。它是通过为每种攻击类别或类型确定三种高级ML算法（XGBoost，LightGBM和CatBoost）中性能最佳的ML模型来构建的。然后利用具有预测置信度值的类领导模型来做出关于检测各种类型的网络攻击的准确决策。在两个公共车联网安全数据集（Car-Hacking和CICIDS 2017数据集）上的实验证明了所提出的LCCDE对车内和外部网络入侵检测的有效性。
2022-09-01 cs.AI cs.CR cs.LG
