Network Security Modelling with Distributional Data
AI Vulnerability Database(人工智能漏洞数据库);Bias Buccaneers(偏见海盗);AT&T Data Science and AI Research(美国电话电报公司数据科学与人工智能研究院)
本文研究了利用机器学习方法检测大量IP流量中的僵尸网络命令和控制(C2)主机。为此,我们使用NetFlow数据(用于监控IP流量的行业标准)和ML模型,这些模型使用两组特征:传统的NetFlow变量和基于NetFlow变量的分布特征。除了使用NetFlow特征的静态摘要外,我们还使用其IP级分布的分位数作为预测模型的输入特征,以预测IP是否属于已知的僵尸网络家族。这些模型用于开发入侵检测系统,以预测恶意攻击的流量轨迹。通过将预测与已发布恶意IP地址的现有拒绝列表和深度数据包检测进行匹配,验证了结果。使用我们提出的新的分布特征,结合能够对复杂输入特征空间进行建模的技术,可以通过我们的训练模型进行高度准确的预测。
2022-11-24 cs.CR cs.LG stat.AP
MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection
Helmut Schmidt University(赫尔穆特·施密特大学)
针对合成流量基准的缺陷,本文提出基于MAWILAB真实骨干流量的MAWIFlow基准,对比传统机器学习与CNN-BiLSTM模型,证明后者在时间漂移下泛化更优,并公开全部资源以促进可复现评估。
2025-06-20 cs.AI cs.LG
Feature Analysis for Machine Learning-based IoT Intrusion Detection
The University of Queensland(昆士兰大学)
物联网(IoT)网络已成为越来越有吸引力的网络攻击目标。强大的机器学习(ML)模型最近被用于实现网络入侵检测系统以保护物联网网络。为了成功训练这种ML模型,选择正确的数据特征至关重要,从而最大限度地提高检测精度和计算效率。本文综合分析了特征集在网络攻击检测中的重要性和预测能力。三个特征选择算法:卡方,信息增益和相关性,已被用来识别和排名数据的功能。将属性馈送到两个ML分类器:深度前馈和随机森林,以测量它们的攻击检测性能。实验评估考虑了三个数据集:UNSW-NB 15,CSE-CIC-IDS 2018和ToN-IoT,采用其专有的流格式。此外,还考虑了NetFlow格式的各个变体,即,NF-UNSW-NB15、NF-CSE-CIC-IDS2018和NF-ToN-IoT。实验性评估探讨了添加个别功能的边际效益。我们的研究结果表明,准确性最初增加迅速添加功能,但迅速收敛到最大值。这表明了一个显着的潜力,以减少入侵检测系统的计算和存储成本,同时保持接近最佳的检测精度。这在物联网系统中具有特别的相关性,通常具有有限的计算和存储资源。
2022-11-23 cs.CR cs.LG cs.NI
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
Self-Supervised Learning of Graph Representations for Network Intrusion Detection
Télécom Paris, Institut Polytechnique de Paris(巴黎高等电信学院(巴黎理工学院));Ampere Software Technology(安培软件技术公司)
GraphIDS通过自监督学习统一图表示学习与异常检测,利用掩码自动编码器和Transformer架构,在网络入侵检测中实现高精度性能。
2026-08-16 cs.CR cs.LG
How Benchmarks and Evaluation Protocols Shape Conclusions in Provenance-Based Intrusion Detection
Ampere Software Technology(安培软件技术公司)
该研究发现基于溯源的入侵检测系统性能结论受基准和评估协议影响,简单白名单性能可媲美部分学习基线,语义信号质量决定架构差异是否凸显,解读架构主张需结合基准与协议。
2026-10-14 cs.CR cs.LG
CAN-QA: A Question-Answering Benchmark for Reasoning over In-Vehicle CAN Traffic
Department of Computer Science and Engineering(计算机科学与工程系)
本文提出CAN-QA基准,将车载CAN流量分析转化为问答任务,评估大语言模型在时间推理和多条件推理上的表现。
2026-04-27 cs.CR cs.LG
Systematic Evaluation of Synthetic Data Augmentation for Multi-class NetFlow Traffic
Center for Responsible Artificial Intelligence, University of Applied Sciences and Arts Coburg(科堡应用科学与艺术大学负责任人工智能中心);Center for Artificial Intelligence and Data Science, University of Würzburg(维尔茨堡大学人工智能与数据科学中心)
针对NIDS多类攻击分类中训练数据不平衡的问题,本文设计系统性框架对比经典与生成式重采样方法,实验表明重采样方法未能可靠提升分类性能,多数情况下反而导致性能下降。
2024-08-28 cs.CR cs.LG
Cyber Attack Detection thanks to Machine Learning Algorithms
University of Queensland(昆士兰大学)
多年来,网络安全攻击的频率和复杂性都在增长。这种日益复杂的情况要求在防御战略方面取得更多进展和不断创新。传统的入侵检测和深度数据包检测方法虽然仍被广泛使用和推荐,但已不足以满足日益增长的安全威胁的需求。随着计算能力的提高和成本的下降,机器学习被视为防御恶意软件、僵尸网络和其他攻击的替代方法或附加机制。本文探讨了机器学习作为一个可行的解决方案,通过检查其能力,在网络中的恶意流量进行分类。首先,执行强大的数据分析,从初始Netflow数据集中提取22个特征。然后通过特征选择过程将所有这些特征相互比较。然后,我们的方法分析了五种不同的机器学习算法对NetFlow数据集包含常见的僵尸网络。随机森林分类器在13个场景中的8个场景中成功检测到95%以上的僵尸网络,在最困难的数据集中成功检测到55%以上的僵尸网络。最后,洞察力,以改善和推广的结果,特别是通过自举技术。
2020-01-17 cs.CR cs.LG cs.NI
Stream Assembly Is an Uncontrolled Treatment in Streaming Intrusion-Detection Benchmarks
Independent Researcher(独立研究者)
本文提出CALIBURN流式告警流水线,通过贝叶斯变化点检测、等渗校准、成本敏感阈值、共形风险控制和多窗口烧毁率告警五个组件,在不同攻击率场景下评估其性能,在罕见攻击场景下AUC-PR达到0.943。
2026-09-16 cs.CR cs.LG
A Three-Axis Stress Test of LLM vs Classical ML for Network Intrusion Detection under Distribution Shift and Adversarial Evasion
本研究通过同数据集、跨数据集和对抗性规避三轴测试,发现XGBoost与RoBERTa-LoRA在网络入侵检测中各有胜负,强调需多轴多指标评估模型。
2026-09-15 cs.AI cs.CR cs.LG
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
Robust Semi-Supervised Temporal Intrusion Detection for Adversarial Cloud Networks
RPTU University Kaiserslautern-Landau, Germany(科隆-兰道大学RPTU)
本文提出一种鲁棒的半监督时序学习框架,用于云入侵检测,通过结合监督学习与一致性正则化、置信度感知伪标签和选择性时间不变性,提高在对抗性和非平稳网络流量中的鲁棒性和泛化能力。
2026-04-14 cs.CR cs.LG
Modern Cybersecurity Solution using Supervised Machine Learning
AGH University of Science and Technology(AGH科技大学)
网络安全至关重要,攻击正在迅速增长,检测起来也越来越具有挑战性。传统的防火墙和入侵检测系统,即使它被广泛使用和推荐,但它无法检测到新的攻击,零日攻击,以及与任何配置规则不匹配的流量模式。因此,机器学习(ML)可以成为网络安全领域一种有效且成本降低的解决方案。我们使用Netflow数据集在应用数据分析后提取特征。然后,一个选择过程已被应用到这些功能相互比较。我们的实验重点是如何有效的机器学习算法可以检测机器人流量,恶意软件流量和背景流量。我们设法从一个数据集中获得了0.903的精度值,该数据集包含6.5%的Bot流,1.57%的正常流,0.18%的命令和控制(C&C)流,以及91.7%的背景流,总流量为2,753,884。结果表明,低假阴性与几个假阳性检测。
2021-09-15 cs.CR cs.LG
Anomaly Detection in IEC-61850 GOOSE Networks: Evaluating Unsupervised and Temporal Learning for Real-Time Intrusion Detection
Computer Science(计算机科学);Boise State University(博伊西州立大学);Boise, Idaho USA(爱达荷州博伊西市)
本文评估了无监督时间建模在GOOSE网络异常检测中的有效性,比较了四种模型在ERE NO数据集上的性能,发现GRU在准确率与延迟之间取得最佳平衡,支持无监督时间模型在实时入侵检测中的应用。
2026-04-14 cs.CR cs.LG
An Improved CNN-LSTM Based Intrusion Detection System for IoT Networks
University of Engineering and Technology, Lahore(拉合尔工程与技术大学)
提出一种结合多类分类、数据集集成和时间特征学习的改进CNN-LSTM入侵检测模型,在物联网网络上达到约97%的准确率。
2026-06-04 cs.AI cs.CR cs.LG
A Novel Unified Lightweight Temporal-Spatial Transformer Approach for Intrusion Detection in Drone Networks
Department of Computer Science and Engineering, Jahangirnagar University(贾杭吉纳大学计算机科学与工程系);Department of Computer Science and Engineering, Bangladesh Army University of Science & Technology(孟加拉国陆军科学技术大学计算机科学与工程系);State University of Bangladesh, Department of Computer Science and Engineering(孟加拉国国立大学计算机科学与工程系);Skill Morph Research Lab., Skill Morph(Skill Morph研究实验室)
本文提出TSLT-Net,一种针对无人机网络的轻量级时空变换入侵检测系统,通过自注意力机制建模时间模式和空间依赖性,实现高精度检测,实验表明其在多类攻击分类和二元异常检测中表现优异,且内存占用低。
2025-10-03 cs.AI cs.CR cs.LG
Do Transformers Actually Help Intrusion Detection? A Temporal Sequence Evaluation on CIC-IDS2017
Department of Electrical and Computer Engineering, Faculty of Engineering, Royal Military College of Canada (RMC)(加拿大皇家军事学院电气与计算机工程系,工程学院)
本研究重新将 CIC-IDS2017 构建为时间序列入侵检测任务,发现填充方式而非架构决定 Transformer 性能,且随机分割和填充方式会高估模型鲁棒性。
2026-07-27 cs.CR cs.LG
IntrusionX: A Hybrid Convolutional-LSTM Deep Learning Framework with Squirrel Search Optimization for Network Intrusion Detection
Dept. of CSE United International University Dhaka, Bangladesh(计算机科学与工程系 国际大学 达卡,孟加拉国)
针对入侵检测面临的攻击演变、数据高维及类别不平衡问题,提出融合CNN与LSTM、经SSA优化且含不平衡处理的IntrusionX框架,在NSL-KDD上实现了高精度与少数类检测性能提升。
2025-10-03 cs.CR cs.LG
Timestamp-Aware Spatio-Temporal Graph Contrastive Learning for Network Intrusion Detection
Central South University of Forestry and Technology, School of Computer Science and Mathematics(中央林业科技大学计算机科学与数学学院);Central South University, School of Computer Science and Engineering(中南大学计算机科学与工程学院)
提出一种自监督图神经网络框架,通过时间戳构建时序图,结合E-GraphSAGE和LSTM编码时空依赖,并采用多视图图对比学习(时空特征对比)及自适应权重策略,在四个数据集上达到与监督方法相当的性能。
2026-06-17 cs.AI cs.CR cs.LG
Hybrid Ensemble Method for Detecting Cyber-Attacks in Water Distribution Systems Using the BATADAL Dataset
Center for Fundamental Physics, School of Artificial Intelligence, Hubei Polytechnic University, Huangshi 435003, China(基础物理中心、人工智能学院、湖北 polytechnic 大学);The European Higher Education Institute, St. Julian's STJ 3141, Malta(欧洲高等教育研究所)
本文提出基于BATADAL数据集的混合集成方法,利用随机森林、eXtreme梯度提升和LSTM的组合,有效解决水分配系统网络攻击检测中的类别不平衡和时间依赖问题,提升检测性能。
2025-12-16 cs.CR cs.LG
Spiking Neural Networks with Single-Spike Temporal-Coded Neurons for Network Intrusion Detection
State University of New York at Binghamton(纽约州立大学宾汉姆顿分校)
脉冲神经网络(SNN)由于具有很强的生物相容性和很高的能量利用率而受到人们的关注。然而,它的性能远远落后于传统的深度神经网络(DNN)。在本文中,考虑到一般类的单脉冲时间编码的积分和消防神经元,我们分析了泄漏和非泄漏神经元的输入输出表达式。我们发现,SNN构建的泄漏神经元遭受过度非线性和过于复杂的输入输出响应,这是其难以训练和低性能的主要原因。这个原因比通常认为的不可微尖峰问题更根本。为了支持这一说法,我们证明了用非泄漏神经元构建的SNN可以具有较低的复杂性和较低的非线性输入输出响应。它们可以很容易地训练,并且可以具有优异的性能,这通过在两个流行的网络入侵检测数据集上使用SNN进行实验来证明,即,NSL-KDD和AWID数据集。我们的实验结果表明,所提出的SNN优于DNN模型和经典机器学习模型的综合列表。本文表明,SNN可以是有前途的和有竞争力的,与共同的信念。
2020-10-15 cs.LG
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
SAGE: Intrusion Alert-driven Attack Graph Extractor
Delft University of Technology(代尔夫特理工大学);Rochester Institute of Technology(罗切斯特理工大学)
攻击图(AG)用于评估网络对手渗透网络的路径。用于AG生成的最先进的方法主要集中在基于网络扫描和专家知识导出系统漏洞之间的依赖关系。然而,在现实世界的操作中,依赖于持续的漏洞扫描和专家制作的AG是昂贵且无效的。我们建议自动学习AG的基础上观察到的入侵警报,没有事先的专家知识的行动。具体来说,我们开发了一个无监督的序列学习系统,SAGE,利用时间和概率之间的依赖性警报在一个基于后缀的概率确定性有限自动机(S-PDFA)-一个模型,强调不频繁的严重警报,并总结路径导致他们。然后,在每个目标、每个受害者的基础上,从S-PDFA中推导出AG。SAGE通过Collegiate Penetration Testing Competition收集的入侵警报进行了测试,将超过330 k的警报压缩到93个AG中。这些AG反映了参与团队使用的策略。AG是简洁的、可解释的,并且捕获行为动态,例如,攻击者通常会沿着更短的路径重新利用目标。
2021-10-14 cs.CR cs.LG
GTCN-G: A Residual Graph-Temporal Fusion Network for Imbalanced Intrusion Detection
Peking University(北京大学);RWTH Aachen University(亚琛工业大学);University of Texas at Austin(德克萨斯大学奥斯汀分校);Northeastern University(东北大学);Thales Group(泰雷兹集团);Chinese Medical Information and Big Data Association(中国医学信息与大数据协会)
本文提出GTCN-G模型,结合图卷积网络和门控时间卷积网络,通过残差学习机制解决数据不平衡问题,实验表明在二分类和多分类任务中性能优越。
2026-04-14 cs.AI cs.LG
Feature Selection for Network Intrusion Detection
University College London(伦敦大学学院);University of Bologna(博洛尼亚大学)
针对网络入侵检测中无关特征导致资源浪费和性能下降的问题,提出了一种基于神经网络函数逼近和信息论的新颖特征选择方法FSNID,该方法能显著缩减特征集并保持检测性能。
2024-11-18 cs.CR cs.LG
Unmasking Shortcut Learning in IoT Intrusion Detection: A Forensic, Multi-Paradigm Evaluation of Feature Dependence and Data Leakage
Khulna University of Engineering & Technology(库尔纳工程技术大学)
本研究通过多范式评估揭示物联网入侵检测模型存在捷径学习,证明性能受特征表示限制,时间戳可被非线性模型利用,并提出4点评估协议清单以促进真实泛化。
2026-09-25 cs.CR cs.LG cs.NI
CANShield: Deep Learning-Based Intrusion Detection Framework for Controller Area Networks at the Signal-Level
Virginia Tech(弗吉尼亚理工大学);UT-Battelle, LLC(UT-巴特勒有限责任公司);US Department of Energy(美国能源部)
针对CAN总线易遭高级信号层注入攻击、传统IDS检测效果差的问题,提出含预处理、多尺度AE分析、集成检测三模块的深度学习框架CANShield,在两个数据集上验证了其高准确性与响应性。
2023-10-07 cs.CR cs.LG
Noise Robust One-Class Intrusion Detection on Dynamic Graphs
Bielefeld University - Machine Learning Group(比勒菲尔德大学-机器学习组)
针对网络入侵检测中噪声数据鲁棒性不足的问题,提出概率版TGN-SVDD模型,通过预测网络事件的高斯分布参数提升噪声鲁棒性,在含合成噪声的CIC-IDS2017数据集上实验证明其检测性能显著优于基线模型。
2025-08-19 cs.LG stat.ML
Behavioral Residualization for Unsupervised Intrusion Detection in Automotive CAN Networks
针对汽车CAN网络现有入侵检测方法在攻击者复用合法仲裁ID时失效的问题,提出每ID行为残差化表示,经多检测器和数据集验证,可有效提升无监督入侵检测性能,但存在新颖ID泛洪和跨ID模糊测试的局限性。
2026-11-04 cs.CR cs.LG
Deep Reinforcement One-Shot Learning for Artificially Intelligent Classification Systems
Ben-Gurion University of the Negev(本-古里安大学)
近年来,网络应用急剧增加,其中需要对重要事件进行分类,但只有少数训练实例可用。这些被称为一次性学习的案例。示例包括分析零日攻击下的网络流量,以及部署在现场的传感器网络的计算机视觉任务。为了处理这一具有挑战性的任务,组织经常使用人类分析师来对高度不确定性的事件进行分类。现有的算法使用基于阈值的机制来决定是自动对对象进行分类还是将其发送给分析师进行更深入的检查。然而,这种方法导致了显着的资源浪费,因为它没有考虑到系统资源的实际时间约束。我们的贡献是三方面的。首先,我们开发了一个新的深度强化一次性学习(DeROL)框架来解决这一挑战。DeROL算法的基本思想是训练一个deep-Q网络,以获得一个策略,该策略对测试数据中的不可见类不敏感。然后,DeROL实时地将一次性学习过程的当前状态映射到基于训练好的deep-Q网络的操作动作,以最大化目标函数。其次,我们开发了第一个开源软件,用于实用的人工智能一次性分类系统,资源有限,有利于相关领域的研究人员。第三,我们提出了一个广泛的实验研究,使用OMNIGLOT数据集的计算机视觉任务和UNSW-NB 15数据集的入侵检测任务,证明了多功能性和效率的DeROL框架。
2018-08-04 cs.AI cs.LG stat.ML
Kairos: Practical Intrusion Detection and Investigation using Whole-system Provenance
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);University of British Columbia(不列颠哥伦比亚大学);Wake Forest University(维克森林大学)
针对现有基于溯源图的入侵检测系统难以兼顾范围、攻击无关性、时效性与攻击重构的问题,提出 KAIROS,通过图神经网络编码器-解码器量化事件异常并重构攻击摘要图,在基准数据集上优于以往方法。
2023-09-28 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
Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis
Purdue University(普渡大学);Mississippi State University(密西西比州立大学)
提出一种结合自注意力机制与RNN自编码器的模型,用于5G网络波形级频谱异常检测,在SDR测试平台上实现高效准确的实时威胁识别。
2024-11-05 cs.AI cs.CR cs.LG
A Comparative Study of AI-based Intrusion Detection Techniques in Critical Infrastructures
College of Technological Innovation, Zayed University(扎耶德大学技术创新学院);University of Ottawa(渥太华大学)
志愿者计算使用互联网连接的设备(笔记本电脑、个人电脑、智能设备等),其中它们的所有者自愿将它们作为存储和计算能力资源,已经成为许多应用中的资源管理的基本机制。互联网上数据流量的数量和种类的增长导致人们对网络物理系统的稳健性,特别是对关键基础设施的稳健性感到关切。因此,实施一个有效的入侵检测系统,收集这些传感器数据已变得至关重要。在本文中,我们提出了一个人工智能(AI)驱动的入侵检测系统的无线连接的传感器,跟踪关键的应用程序的比较研究。具体来说,我们深入分析了机器学习、深度学习和强化学习解决方案的使用,以识别收集的流量中的侵入行为。我们使用KD'99作为真实的攻击数据集在我们的模拟评估所提出的机制。结果提出了三种不同的入侵检测系统,即自适应监督和入侵检测混合入侵检测系统(ASCH-IDS),基于限制玻尔兹曼机的入侵检测系统(RBC-IDS)和基于Q学习的入侵检测系统(QL-IDS)检测恶意行为的性能指标。我们还介绍了不同的强化学习技术,如状态-动作-奖励-状态-动作学习(SARSA)和时间差学习(TD)的性能。通过仿真,我们表明,QL-IDS执行100%的检测率,而SARSA-IDS和TD-IDS执行在99.5%的顺序。
2020-07-24 cs.DC cs.LG cs.NI
Temporal and Multimodal Deep Learning for Cyberattack Detection in LEO Satellite Systems
Center for Cybersecurity and AI(网络安全与人工智能中心);University of West Florida(西佛罗里达大学)
本研究利用UNSW-IoTSAT数据集,通过子系统融合MLP和分层多模态Transformer等结构化深度学习架构,系统评估LEO卫星网络攻击检测,分层Transformer在抗泄漏协议下达到91.66%准确率。
2026-09-11 cs.AI cs.CR cs.LG
A Combination of Temporal Sequence Learning and Data Description for Anomaly-based NIDS
Ho Chi Minh City University of Technology, VNUHCM(越南胡志明市理工大学(越南国家大学胡志明市分校));Ho Chi Minh City University of Technology and Education(胡志明市工业大学)
基于异常的网络入侵检测系统(A-NIDS)通过对网络中正常行为的连续观察和建模,提供了一种通过偏离正常模型来发现可能威胁的方法。基于时间序列模型的网络流量分析具有利用网络流量中的包之间的关系并观察一段时间内的行为趋势的优点。它将生成具有良好功能的新序列,支持网络流量中的异常检测,并提供检测新攻击的能力。此外,针对正常数据建立描述的异常检测技术将是不平衡数据异常检测的有效方法。本文提出了一种基于长短期记忆(LSTM)结构的时间序列数据处理模型和一种基于支持向量数据描述(SVDD)的异常检测模型,以综合两者的优点。该模型有助于LSTM和SVDD中的参数通过联合优化方法进行联合训练。在KDD 99数据集上的实验结果表明,该模型对DoS和Probe攻击的检测率分别达到98.0%和99.8%。
2019-06-07 cs.LG cs.NI
TempoNet: Learning Realistic Communication and Timing Patterns for Network Traffic Simulation
TempoNet通过结合多任务学习和多标记时序点过程,生成高保真的网络流量模拟,有效解决真实网络时序和通信动态建模的挑战。
2026-01-22 cs.AI cs.CR cs.LG
Spectral Feature Extraction for Robust Network Intrusion Detection Using MFCCs
SPILab Corporation(SPILab公司)
提出结合可学习MFCC与ResNet-18的物联网网络异常检测方法,通过将原始信号映射到高维空间增强类可分性,在三个数据集上验证了其鲁棒性和可扩展性。
2025-07-14 cond-mat.dis-nn cs.AI cs.CR
CST-AFNet: A dual attention-based deep learning framework for intrusion detection in IoT networks
Skill Morph;Bangladesh Army University of Science & Technology(孟加拉国陆军科技大学);Daffodil International University(达福迪尔国际大学);State University of Bangladesh(孟加拉国州立大学)
CST-AFNet通过双注意力机制提升物联网入侵检测的准确性和性能。
2025-10-03 cs.AI cs.CR cs.LG
PPT-GNN: A Practical Pre-Trained Spatio-Temporal Graph Neural Network for Network Security
Universitat Politécnica de Catalunya(加泰罗尼亚理工大学)
针对现有图神经网络入侵检测模型延迟高、跨网络泛化差的问题,提出采用自监督预训练的实用时空图模型PPTGNN,实现近实时检测,在三个公开数据集上准确率较SOTA平均提升10.38%,且少量标注即可微调适配新网络。
2024-06-19 cs.AI cs.CR cs.LG
Detecting Unknown Attacks in IoT Environments: An Open Set Classifier for Enhanced Network Intrusion Detection
Texas A&M University(德克萨斯农工大学);United States Military Academy(美国军事学院)
针对 IoT 网络入侵检测中的未知攻击识别问题,提出结合流量图像表示、stacking 与子聚类的开放集识别框架,未见攻击检测率达 88%。
2023-09-28 cs.AI cs.CR cs.CV
Multi-Stage Knowledge-Distilled VGAE and GAT for Robust Controller-Area-Network Intrusion Detection
提出结合VGAE异常检测与知识蒸馏GAT分类的多阶段CAN入侵检测框架,通过选择性欠采样处理不平衡数据,实现96%参数缩减,在六个数据集上F1平均提升16.2%。
2025-08-06 cs.AI cs.LG
Investigation and rectification of NIDS datasets and standardized feature set derivation for network attack detection with graph neural networks
Joint Stock "Research and production company "Kryptonite"(“氪石”科研生产联合股份公司)
网络入侵与检测系统(NIDS)是现代网络中恶意流量和网络攻击检测的关键。基于人工智能的NIDS是一种强大的工具,它可以学习复杂的数据相关性,以实现准确的攻击预测。图神经网络(GNN)提供了一个机会,分析网络拓扑结构以及流的功能,这使得他们特别适合NIDS应用。然而,这种工具的成功应用需要大量精心收集和标记的数据进行训练和测试。在本文中,我们检查了不同版本的ToN-IoT数据集,并指出了某些版本中的不一致之处。我们过滤了完整版本的ToN-IoT,并提出了一个标记为ToN-IoT-R的新版本。为了确保泛化,我们提出了一个新的标准化和紧凑的流功能,这是完全来自NetFlowv 5兼容的数据。我们将数字数据和标志分成不同的类别,并提出了一种新的数字特征的不可知规范化方法。这使我们能够保留流标志的含义,并且我们建议基于例如网络协议进行有针对性的分析。对于流分类,我们使用E-GraphSage算法与修改后的节点初始化技术,允许我们添加节点度的节点功能。我们在ToN-IoT-R上实现了高分类精度,并将其与之前发布的ToN-IoT,NF-ToN-IoT和NF-ToN-IoT-v2的结果进行了比较。我们强调了仔细的数据汇集和标签和适当的数据预处理选择的重要性,并得出结论,建议的一组功能是更适用于真正的NIDS由于要求不高的流量监测设备,同时保持高流量分类精度。
2022-12-29 cs.CR cs.DM cs.LG
KD-GAT: Combining Knowledge Distillation and Graph Attention Transformer for a Controller Area Network Intrusion Detection System
The Ohio State University(俄亥俄州立大学)
本文提出KD-GAT框架,结合图注意力网络与知识蒸馏提升CAN入侵检测精度并降低计算复杂度,实验表明学生模型在Car-Hacking和Car-Survival数据集上准确率高达99.97%和99.31%。
2025-07-25 cs.AI cs.LG
XG-NID: Dual-Modality Network Intrusion Detection using a Heterogeneous Graph Neural Network and Large Language Model
Clean and Resilient Energy System Lab (CARES), Department of Electrical & Computer Engineering, Texas A&M University(清洁而坚韧的能量系统实验室(CARES),电气与计算机工程系,德克萨斯A&M大学);Army Cyber Institute, Department of Electrical Engineering & Computer Science, United States Military Academy(陆军网络学院,电气工程与计算机科学系,美国军事学院)
本文提出 XG-NID 框架,首次在异构图结构中融合流级与包级数据,结合异构图神经网络和大语言模型实现实时入侵检测与可解释分析,多分类 F1 达 97%,并配套开源工具 GNN4ID。
2025-05-07 cs.AI cs.CR cs.LG
3D-IDS: Doubly Disentangled Dynamic Intrusion Detection
Beijing University of Posts and Telecommunications(北京邮电大学);HUAWEI Technologies Co., Ltd.(华为技术有限公司)
本文提出3D-IDS,通过两步特征解耦与动态图扩散解决NIDS中流特征纠缠导致的检测不一致问题,有效识别加密流量中的未知与已知攻击,并提升可解释性。
2025-05-07 cs.AI cs.CR cs.LG
A Hybrid CNN-LSTM Intrusion Detection Framework for Cybersecurity in Smart Renewable Energy Grids
O&M Analytics(O&M分析);AES Clean Energy(AES清洁能源);The AES Corporation(AES公司);Renewable Infrastructure(可再生能源基础设施);Dominion Energy(Dominion能源)
提出混合CNN-LSTM入侵检测框架,结合CNN空间特征提取与LSTM时序建模,解决多步攻击时序建模不足、类不平衡和泛化性差问题,在CICIDS-2017和NSL-KDD上精度达98.2%以上,并实现低延迟实时推理。
2026-06-25 cs.AI cs.LG
TEST: an End-to-End Network Traffic Examination and Identification Framework Based on Spatio-Temporal Features Extraction
University of California, San Diego(加利福尼亚大学圣地亚哥分校);Beijing University of Posts and Telecommunications(北京邮电大学);Telecom Paris(巴黎电信学院)
随着越来越多的加密网络流量参与到互联网中,如何有效地识别网络流量已成为该领域的重中之重。网络流量的准确识别是QoE、带宽分配、入侵检测等基础网络服务的基石。以往的网络流量识别方法要么无法处理加密流量,要么需要专家选择大量的特征才能达到相对较好的准确率。本文提出了一种基于深度学习的端到端网络流量识别框架TEST,以避免上述问题。结合并实现了CNN和LSTM,以帮助机器自动从原始流量的特殊和时间相关特征中提取特征。所提出的框架有两层结构,这使得它可以达到一个显着的准确性加密流量分类和入侵检测任务。实验结果表明,我们的模型可以优于以前的方法,最先进的准确率为99.98%。
2019-08-26 cs.CR cs.LG
NetSentry: A Deep Learning Approach to Detecting Incipient Large-scale Network Attacks
University of Edinburgh(爱丁堡大学)
机器学习(ML)技术越来越多地被用于应对不断发展的高知名度网络攻击,包括DDoS、僵尸网络和勒索软件,因为它们具有提取隐藏在数据流中的复杂模式的独特能力。然而,这些方法通常使用在相同环境中收集的数据进行验证,并且当部署在不同的网络拓扑和/或应用于以前看不见的流量时,它们的性能会降低。这表明,恶意/良性行为在很大程度上是肤浅的学习和ML的网络入侵检测系统(NIDS)需要重新审视,在实践中是有效的。在本文中,我们深入研究了大规模网络攻击的机制,以期了解如何以原则性的方式将ML用于网络入侵检测(NID)。我们发现,虽然网络攻击在有效载荷,向量和目标方面差异很大,但它们的早期阶段对成功的攻击结果至关重要,具有许多相似之处,并表现出重要的时间相关性。因此,我们将NID视为一项对时间敏感的任务,并提出了NetSentry,这可能是第一个基于双向非对称LSTM(Bi-ALSTM)的NIDS,这是一种原始的序列神经模型集成,可以在网络威胁传播之前检测它们。我们使用两个实际数据集对NetSentry进行交叉评估,其中一个数据集进行训练,另一个数据集进行测试,并证明F1得分比最先进的数据集提高了33%以上,并且检测攻击(如XSS和Web暴力)的比率高达3倍。此外,我们还提出了一种新的数据增强技术,可以增强各种监督深度学习算法的泛化能力,使F1平均得分提高35%以上。
2022-04-20 cs.CR cs.LG cs.NI
DualNet: Locate Then Detect Effective Payload with Deep Attention Network
University of New South Wales(新南威尔士大学);Sangfor Technologies Inc.(深信服科技股份有限公司)
网络入侵检测(NID)是在大规模网络空间中发现可疑用户行为踪迹的重要防御策略,而机器学习(ML)由于其自动化和智能化的能力,近年来逐渐成为主流的搜索方法。然而,传统的基于机器学习的网络入侵检测系统(NIDS)对未知威胁的识别效率不高,其高检测率往往伴随着高误报率,从而导致警报疲劳问题。为了解决上述问题,在本文中,我们提出了一种新的基于神经网络的检测系统,DualNet,它是由一个一般的特征提取阶段和一个关键的特征学习阶段。DualNet可以根据时空特征的重要性快速重用时空特征,以促进整个学习过程,同时缓解深度学习(DL)中出现的几个优化问题。我们在两个基准网络攻击数据集NSL-KDD和UNSW-NB 15上评估了DualNet。我们的实验表明,DualNet优于经典的基于ML的NIDS,并且在准确性,检测率和误报率方面比现有的用于NID的DL方法更有效。
2020-10-23 cs.CR cs.LG
Multi-Level Distributional Entropy from Flow Summary Statistics for Explainable Network Intrusion Detection
Centre for Intelligent Cloud Computing, CoE for Advanced Cloud, Faculty of Information Science and Technology, Multimedia University(智能云计算中心、先进云技术中心、信息科学与技术学院、多媒体大学);Department of Communication Technology and Networking, Faculty of Computer Science and Information Technology, Universiti Putra Malaysia(通信技术与网络系、计算机科学与信息技术学院、马来西亚国立大学);Laboratory of Computational Science and Mathematical Physics, Institute for Mathematical Research, Universiti Putra Malaysia(计算科学与数学物理实验室、数学研究所、马来西亚国立大学)
提出多层次分布熵(MDE)框架,从流级摘要统计中提取可解释熵特征,无需原始数据包,在四个基准上达到与常规特征相当的F1分数,并揭示聚合指标隐藏的失败模式。
2026-10-06 cs.AI cs.CR cs.LG
Robust Industrial Cyber Physical Classification Using Neuromorphic Temporal Embeddings and Hybrid SNN XGBoost Under Machine Unlearning Attacks
RMIT University(皇家墨尔本理工大学);Powercor(Powercor公司)
提出混合SNN与XGBoost架构,利用神经形态时间编码实现轻量级鲁棒入侵检测,在电力系统数据集上达99.9%准确率,并有效抵御机器遗忘攻击。
2026-09-10 cs.CR cs.LG cs.NE
TSI-GAN: Unsupervised Time Series Anomaly Detection using Convolutional Cycle-Consistent Generative Adversarial Networks
Missouri University of Science and Technology(密苏里科技大学);Singapore University of Technology and Design(新加坡科技设计大学)
异常检测被广泛应用于网络入侵检测、自动驾驶、医疗诊断、信用卡欺诈等领域,然而,几个关键的挑战仍然存在,例如缺乏地面真值标签,存在复杂的时间模式,以及在不同数据集上的泛化。本文提出了TSI-GAN,一种无监督的时间序列异常检测模型,可以自动学习复杂的时间模式,并具有良好的泛化能力,即,无需选择特定于以太网的参数,无需对底层数据进行统计假设,也无需更改模型架构。为了实现这些目标,我们使用两种编码技术将每个输入时间序列转换为二维图像序列,其目的是捕获时间模式和各种类型的偏差。此外,我们设计了一个重建的GAN,它在编码器-解码器网络中使用卷积层,并在训练过程中使用循环一致性损失,以确保逆映射也是准确的。此外,我们还在后处理中使用Hodrick-Prescott滤波器来减少误报。我们使用250个精心策划和比平常更难的数据集来评估TSI-GAN,并与8种最先进的基线方法进行比较。结果表明,TSI-GAN优于所有基线,与第二名的MERLIN和第三名的LSTM-AE相比,TSI-GAN的整体性能分别提高了13%和31%。
2023-03-22 cs.CR cs.LG