Deep Semi-Supervised Anomaly Detection for Finding Fraud in the Futures Market
Université de Montréal（蒙特利尔大学）；TMX Group（TMX集团）
本研究评估深度半监督异常检测方法Deep SAD在期货市场高频数据欺诈检测中的效果，利用TMX交易所专有数据，证明少量标记数据能显著提升无监督异常检测的准确性。
2023-08-31 cs.LG q-fin.RM
Linear Laws of Markov Chains with an Application for Anomaly Detection in Bitcoin Prices
Wigner Research Centre for Physics（维格纳物理研究中心）
本文的目标有两个：（1）提出一种新的方法，能够找到控制马尔可夫链时间演化的线性规律;（2）将这种方法应用于比特币价格的异常检测。为了实现这些目标，首先，马尔可夫链的线性定律推导出使用的时间嵌入的（分类）自相关函数。然后，根据比特币汇率（兑美元）的第一个差值生成二进制序列。最后，通过步进时间窗确定描述该序列的线性规律的参数的最小数目。根据结果，线性定律通常在两个时期变得更加复杂（包含额外的第三个参数，表明隐马尔可夫属性）：在COVID-19大流行引发的加密货币市场崩溃之前（2020年3月12日），以及在比特币价格破纪录飙升之前（2020年第四季度-2021年第一季度）。此外，这第三个参数的局部高值往往与短期价格峰值有关，这表明价格操纵。
2022-01-24 cs.LG q-fin.ST
No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems
CISPA Helmholtz Center for Information Security（亥姆霍兹信息安全中心）
首次系统分析工业控制系统基于过程的异常检测方案，提出对抗欺骗信号生成框架评估四种检测器，发现多数存在漏洞且无法可靠学习物理属性，呼吁更完整的攻击数据集与批判性分析。
2023-06-26 cs.CR cs.LG
Explainable Autoencoder-Based Anomaly Detection in IEC 61850 GOOSE Networks
Universidad Rey Juan Carlos（雷奥恩卡洛斯大学）；Red Eléctrica (REDEIA Group)（电力公司（REDEIA小组））；Centro de Investigación for Data, Complex Networks and Cybersecurity Sciences（数据、复杂网络和网络安全科学研究中心）
本文提出一种基于可解释自动编码器的IEC 61850 GOOSE网络异常检测框架，通过多视图分析和特征重建实现高检测率与低误报率。
2026-01-14 cs.CR cs.LG eess.SP
Fortifying Time Series: DTW-Certified Robust Anomaly Detection
Department of Electrical and Electronic Engineering（电气与电子工程系）；University of Melbourne（墨尔本大学）；School of Computing and Information Systems（计算与信息系统学院）
本文提出DTW认证的鲁棒异常检测方法，通过将ℓp范数转换为DTW距离，提升时间序列异常检测的鲁棒性，实验显示在DTW对抗攻击下F1分数提升18.7%。
2026-05-08 cs.LG
RAD: Rule-Augmented Relational Anomaly Detection
Vanderbilt University（范德堡大学）
研究人员针对关系异常检测中展平数据丢失结构及难融入符号证据的问题，提出RAD方法，结合图表示学习与规则信号，在多基准任务中较现有方法取得更优异常检测性能。
2026-08-25 cs.CR cs.DB cs.LG
Quantum Enhanced Anomaly Detection for ADS-B Data using Hybrid Deep Learning
Department of computer and software engineering, Polytechnique Montreal（计算机与软件工程系，蒙特利尔大学）
本文提出一种结合量子和经典机器学习的混合深度学习方法，用于ADS-B数据异常检测，实验表明其在检测准确率上与传统方法相当。
2026-01-05 cs.LG quant-ph
Adaptive Gaussian Mixture Models-based Anomaly Detection for under-constrained Cable-Driven Parallel Robots
Dept. of Automation and Systems Engineering（自动化与系统工程系）；Universidade de Vigo（维戈大学）；Dept. of Communication and Information Technologies（通信与信息科技系）；Technical University of Cartagena（卡塔赫纳技术大学）
本文提出一种基于自适应高斯混合模型的无监督异常检测方法，仅利用电机扭矩数据识别欠约束缆索驱动并联机器人在停止点的异常，并通过14次长时间测试验证其高检测率、低延迟和对环境变化的鲁棒性。
2025-07-22 cs.AI cs.LG cs.RO
Explainable Unsupervised Anomaly Detection with Random Forest
Prospect 33, LLC（Prospect 33公司）；BlackRock, Inc（BlackRock公司）
提出一种基于随机森林的无监督异常检测方法，通过区分真实与合成数据学习距离度量，提升检测精度，并支持基于特征重要性的局部可解释预测。
2025-04-22 cs.LG stat.ML
Why Ranking Anomaly Detection Algorithms Isn't as Reliable as You May Think
Carnegie Mellon University（卡内基梅隆大学）；TU Dortmund University（多特蒙德工业大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；iits Consulting GmbH（iits咨询有限公司）；Fraunhofer Institute for Material Flow and Logistics IML（弗劳恩霍夫物流与材料流动研究所IML）
本研究通过分析7种算法在690个数据集上的表现，发现异常检测算法排名高度不稳定，数据集选择和超参数选择是主要影响因素，可靠基准测试需更大更多样的数据集。
2026-08-06 cs.LG
RangeAD: Fast On-Model Anomaly Detection
TU Dortmund University（图卢兹-多特蒙德大学）；Research Center Trustworthy Data Science and Security（可信数据科学与安全研究中心）
本文提出RangeAD算法，利用主模型的神经元输出范围实现高效异常检测，在高维任务中表现优异且计算成本低。
2026-03-18 cs.AI cs.LG
RGLD: Randomized Global-Local Density Estimation for Tabular Anomaly Detection
Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系）；Intel Corporation（英特尔公司）
提出RGLD方法，结合全局随机特征密度分支和局部邻居分支，在特征袋随机视图上检测异常，在47个表格数据集上取得最优AUROC性能，速度比深度检测器快50-580倍。
2026-06-27 cs.AI cs.LG
Low Rank Transformer for Multivariate Time Series Anomaly Detection and Localization
KIOS Research and Innovation Center of Excellence（KIOS研究与创新中心卓越研究所）；Department of Electrical and Computer Engineering, University of Cyprus（电子与计算机工程系，塞浦路斯大学）；Department of Mathematics and Statistics, University of Cyprus（数学与统计学系，塞浦路斯大学）
本文提出低秩变换器模型，通过低秩正则化和Attention Low-Rank score提升多变量时间序列异常检测与定位性能。
2026-02-09 cs.LG stat.ML
A Mallows-like Criterion for Anomaly Detection with Random Forest Implementation
Shandong University（山东大学）
本文提出一种类Mallows准则用于选择多模型聚合权重，结合focal loss处理极不平衡数据，并整合到随机森林算法中，在准确率和鲁棒性上优于传统模型平均和常见异常检测算法。
2024-05-29 cs.LG stat.ML
Explainability Boosted Anomaly Detection Framework for O-RAN based NextG Networks
Faculty of Electrical and Electronics Engineering, Istanbul Technical University（伊斯坦布尔理工大学电气与电子工程学院）；TUBITAK BILGEM（土耳其科学技术研究理事会信息科学与安全研究所）
该研究提出一种结合可解释人工智能的O-RAN网络异常检测框架，通过事后可解释性方法将数据集复杂度降低80%且不损准确率，可识别关键攻击特征，平衡效率、准确率与可解释性，适用于NextG网络安全。
2026-08-18 cs.CR cs.LG eess.SP
SORTAD: Self-Supervised Optimized Random Transformations for Anomaly Detection in Tabular Data
Intel Corporation（英特尔公司）
本文提出SORTAD算法，通过自监督优化随机变换解决表格数据异常检测中数据不相关性的挑战，最优选择变换并设计敏感评分函数，在多个数据集上达到最先进性能。
2023-11-18 cs.LG
k-Parameter Approach for False In-Season Anomaly Suppression in Daily Time Series Anomaly Detection
Bell Canada（加拿大贝尔公司）
针对每日时间序列中周模式导致的季节性内虚假异常，提出k-参数方法，通过可配置容差抑制误报并保留真实异常，取得良好效果。
2023-11-10 cs.LG
Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for Anomaly Detection in Spatiotemporal Data
Michigan State University（密歇根州立大学）
时空数据的异常检测是高光谱成像、视频监控、城市交通监控等应用中面临的一个具有挑战性的问题。现有的异常检测方法大多适用于序列数据中的点异常，不能处理时空数据中出现的时间和空间依赖性。近年来，已经提出了基于张量的异常检测方法来解决这个问题。这些方法依赖于传统的张量分解模型，不考虑异常的结构，并且是监督或半监督的。我们引入了一种无监督的基于张量的异常检测方法，该方法考虑了异常的稀疏性和时间连续性。特别是，异常检测问题被制定为一个强大的lowrank +稀疏张量分解与正则化项，最大限度地减少稀疏部分的时间变化，使提取的异常是时间持久的。为了降低优化算法的复杂度，我们还用图总变差最小化来近似秩最小化。由此产生的优化问题是凸的，可扩展的，并对丢失的数据和噪声是强大的。综合和真实的时空城市交通数据，并与基线方法相比，建议的框架进行评估。
2020-10-23 cs.DS cs.LG eess.SP
Random Subspace Mixture Models for Interpretable Anomaly Detection
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Maryland（马里兰大学）
我们提出了一种新的基于子空间的方法来构建高维数据的概率模型，并强调其在异常检测中的应用。该方法是基于概率密度的统计估计，使用随机子空间的密度与几何平均相结合。在选择随机子空间时，使用每个属性的相等表示来确保正确的统计极限。高斯混合模型（GARCH）用于创建每个子空间的概率密度，包括减轻奇异性的技术，允许处理数值和类别属性的能力。通过贝叶斯信息准则自动确定每个GMM的分量数，以防止过拟合。与针对基准异常检测数据集的突出算法相比，所提出的算法获得了具有竞争力的AUC分数，并具有简单，可扩展和可解释的额外好处。
2021-08-13 cs.AI cs.LG stat.ML
Reinforcement Neighborhood Selection for Unsupervised Graph Anomaly Detection
Zhejiang University（浙江大学）；New York University Shanghai（上海纽约大学）；The Hong Kong Polytechnic University（香港理工大学）
针对无监督图异常检测中异常污染邻域的问题，本文提出RAND，通过强化学习选择可靠邻居并进行异常感知聚合，在合成与真实数据集上优于现有方法。
2023-12-09 cs.AI cs.LG
Random Word Data Augmentation with CLIP for Zero-Shot Anomaly Detection
Hitachi America, Ltd.（美国日立公司）
本文提出利用CLIP文本编码器结合随机词数据增强生成多样化正常与异常文本嵌入，训练前馈神经网络实现无需训练图像和提示集成的类别无关零样本异常检测，达到最先进性能。
2023-09-22 cs.CV cs.LG
PIDForest: Anomaly Detection via Partial Identification
VMware Research（威睿研究院）；Stanford University（斯坦福大学）
我们考虑在一个大的数据集中检测异常的问题。我们提出了一个框架，称为部分识别捕捉的直觉，异常是很容易区分的绝大多数点相对较少的属性值。形式化这种直觉，我们提出了一个点，我们称之为PIDScore，它测量的数据点的最小密度在所有包含该点的子立方体的几何异常措施。我们提出PIDForest：一个基于随机森林的算法，发现基于此定义的异常。我们表明，它表现良好的几个流行的异常检测方法相比，在广泛的基准。PIDForest还通过提供一组在数据集中相对不常见的特征和范围，为为什么一个点被标记为异常提供了一个简洁的解释。
2019-12-08 cs.LG stat.ML
A Neural Network Anomaly Detector Using the Random Cluster Model
随机聚类模型用于将距离测量的上限定义为要分类的数据点的数量和要在混合K均值和回归分类方法中形成的类的数量的预期值的函数，目的是检测异常。给出了识别包含异常的类和识别类内的个别异常的条件。一个神经网络模型描述了决策区域分离表面离线存储和召回在任何新的异常检测。
2016-02-10 cs.LG cs.NE stat.ML
Reconstruct Anomaly to Normal: Adversarial Learned and Latent Vector-constrained Autoencoder for Time-series Anomaly Detection
时间序列的异常检测是一个被广泛研究的问题，具有重要的实际应用价值。近年来，异常检测算法大多基于深度学习生成模型，并使用重构误差来检测异常。在训练阶段通过重构正态数据来捕捉正态数据的分布，然后计算测试数据的重构误差来进行异常检测。然而，大多数方法在训练阶段只使用正常数据，不能保证异常数据的重建过程。因此，异常数据有时也可以很好地重建，重建误差很小，导致异常遗漏。这些算法没有充分利用时间序列数据中数据点的邻域信息。本文提出了一种基于异常重构为正态的RAN算法，并将其应用于无监督的时间序列异常检测。为了使正常数据的重建误差最小化，异常数据的重建误差最大化，我们不仅要保证正常数据的重建效果好，而且要尽量使异常数据的重建与正常数据的分布一致，这样异常数据的重建误差会更大。我们通过引入“模仿异常数据”并将专门设计的潜在向量约束自动编码器与编码器相结合来构建对手网络来实现这一想法。在ECG诊断等不同场景的时间序列数据集上进行的大量实验也表明，RAN可以检测到有意义的异常，并且在AUC-ROC方面优于其他算法。
2020-10-14 cs.LG stat.ML
Learning Efficient Anomaly Detectors from $K$-NN Graphs
Boston University（波士顿大学）
提出了一种高维数据的非参数异常检测算法。我们通过平均$K$ -NN距离对每个数据点进行评分，并相应地对它们进行排名。然后，我们训练有限的复杂度模型来模仿这些分数的基础上的最大利润率学习排名框架。如果预测分数在$α$百分位数内，则将测试点声明为$α$ -假警报水平的异常。所得到的异常检测器被证明是渐近最优的，在任何虚警率$α$，其决策区域收敛到$α$百分位数的最小体积水平集的未知的底层密度。此外，我们测试了我们的算法的统计性能和计算效率上的一些合成和真实数据的实验。我们的研究结果表明，我们的算法优于现有的$K$ -NN基于异常检测算法，具有显着的计算节省。
2015-02-06 cs.LG stat.ML
Weighted Isolation and Random Cut Forest Algorithms for Anomaly Detection
Pohang University of Science and Technology（浦项科技大学）
本文提出加权孤立森林（WIF）和加权随机割森林（WRCF）算法，通过引入基于数据密度的几何度量来确定分割值，克服了现有算法随机选择分割值忽略整体数据结构的问题。
2024-01-09 cs.LG
Learning Minimum Volume Sets and Anomaly Detectors from KNN Graphs
提出了一种高维数据的非参数异常检测算法。我们首先对来自$n$点标称训练数据的最近邻图的分数进行排名。然后，我们训练有限的复杂度模型来模仿这些分数的基础上的最大利润率学习排名框架。如果预测分数在$α$百分位数内，则将测试点声明为$α$ -假警报水平的异常。所得到的异常检测器被证明是渐近最优的，在任何虚警率$α$，其决策区域收敛到$α$百分位数的最小体积水平集的未知的底层密度。此外，我们测试了我们的算法的统计性能和计算效率上的一些合成和真实数据的实验。我们的研究结果表明，我们的算法优于现有的$K$ -NN基于异常检测算法，具有显着的计算节省。
2016-01-22 cs.LG stat.ML
Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series Anomaly Detection
McGill University（麦吉尔大学）
时空交通数据（例如，链路速度/流量）可以被组织为具有附加空间属性的多变量时间序列。分析这些数据的一个关键任务是从具有复杂空间和时间依赖性的数据中识别和检测异常观测和事件。鲁棒主成分分析（RPCA）是一种广泛使用的异常检测工具。然而，传统的RPCA纯粹依赖于全局低秩假设，而忽略了局部时间相关性。有鉴于此，本研究提出了一个Hankel结构的张量版本的RPCA时空数据的异常检测。我们将具有异常的原始数据视为多变量时间序列矩阵（位置$\times$时间），并假设去噪矩阵具有低秩结构。然后，我们通过应用时间Hankel化将低秩矩阵变换为三阶张量。最后，我们分解成一个低秩的汉克尔张量和稀疏矩阵的腐败矩阵。通过Hankel化操作，该模型可以同时捕获全局和局部时空相关性，表现出更强的鲁棒性。我们将该问题描述为一个优化问题，并使用张量核范数（TNN）来近似张量秩，并使用$l_1$范数来近似稀疏性。我们开发了一个有效的解决方案的算法的基础上交替方向的乘法器（ADMM）。尽管有三个超参数，但该模型在实践中很容易设置。利用合成数据和地铁客流时间序列对该方法进行了验证，结果表明该方法具有较好的异常检测效果。
2021-10-08 cs.LG
Active Rule Mining for Multivariate Anomaly Detection in Radio Access Networks
Global AI Accelerator (GAIA), Ericsson（全球人工智能加速器（GAIA），爱立信）
针对多变量异常检测缺乏可解释、可落地的业务规则的问题，本文提出一种适配无线接入网场景、支持离散和时间序列数据的半自治异常规则挖掘器，可将异常模式映射为可执行规则。
2025-01-11 cs.AI cs.LG
Motion-Aware Feature for Improved Video Anomaly Detection
University of California, Merced（加州大学默塞德分校）
出于我们的观察，运动信息是视频中良好的异常检测性能的关键，我们提出了一个时间增强网络来学习运动感知功能。仅此功能就可以实现与以前最先进的方法竞争的性能，并且当与它们结合时，可以实现显着的性能改进。此外，我们将时间上下文的多实例学习（MIL）的排名模型，通过使用一个注意力块。学习的注意力权重可以帮助更好地区分异常和正常视频片段。通过提出的运动感知功能和时间MIL排名模型，我们在UCF Crime数据集中的异常检测和异常动作识别任务上都大大优于以前的方法。
2019-07-24 cs.CV cs.LG eess.IV
Controllable RANSAC-based Anomaly Detection via Hypothesis Testing
University of Information Technology（信息科技大学）；Vietnam National University, Ho Chi Minh City（越南国家大学胡志明市分校）；RIKEN（理化学研究所）
本文提出CTRL-RANSAC方法，通过选择性推断框架对RANSAC异常检测结果进行统计检验，将误识别异常概率控制在预设水平α以下，并引入高效策略提升真实检测率，实验验证了其有效性。
2024-10-19 cs.LG stat.ML
Efficient Quantum One-Class Support Vector Machines for Anomaly Detection Using Randomized Measurements and Variable Subsampling
LMU Munich（慕尼黑大学）；Fraunhofer AISEC（弗劳恩霍夫应用安全研究所）
针对量子单类支持向量机处理大型数据集时的二次时间复杂度问题，结合量子随机测量核、可变子采样与旋转特征装袋，实现了数据和特征维度的双重线性复杂度，并显著提升了性能与训练测试速度。
2024-07-30 cs.AI cs.LG quant-ph
Machine Learning-Driven Anomaly Detection for 5G O-RAN Performance Metrics
TUE（蒂姆大学）
针对5G/6G网络故障管理需求，本文基于O-RAN架构提出两种机器学习异常检测算法，可主动识别UE吞吐量风险、过滤异常邻小区，减少切换故障与吞吐量下降，支撑6G自愈合网络建设。
2025-09-03 cs.LG cs.NI cs.SY
Incorporating Feedback into Tree-based Anomaly Detection
Oregon State University（俄勒冈州立大学）
异常检测器通常用于生成统计异常的排名列表，由人类分析师检查，以提取感兴趣的实际异常。不幸的是，在现实世界的应用程序中，这个过程对分析师来说可能非常困难，因为大部分高级别的异常都是误报，从应用程序的角度来看并不有趣。在本文中，我们的目标是使分析师的工作更容易，允许在调查过程中的分析师反馈。理想地，反馈以减少在发现感兴趣的异常之前必须检查的误报的数量的方式影响异常检测器的排名。特别是，我们介绍了一种新的技术，将简单的二进制反馈到基于树的异常检测器。我们专注于隔离森林算法作为一个代表性的基于树的异常检测器，并表明，我们可以显着提高其性能，通过将反馈，与基线算法相比，不纳入反馈。我们的技术是简单的，规模以及数据的大小增加，这使得它适合在大型数据集的异常交互式发现。
2017-08-30 cs.AI cs.LG stat.ML
Anomaly Detection of Defect using Energy of Point Pattern Features within Random Finite Set Framework
Royal Melbourne Institute of Technology（皇家墨尔本理工大学）
在本文中，我们提出了一种有效的方法，工业缺陷检测，是基于异常检测使用点模式数据建模。大多数最近的作品使用\textit{global features}进行特征提取以概括图像内容。然而，全局特征对光照和视点变化不鲁棒，并且不能描述在制造业中充分利用的图像的几何信息。据我们所知，我们是第一个提出使用局部/点模式特征的迁移学习来克服这些限制并捕获图像区域的几何信息。我们将这些局部/点模式特征建模为随机有限集（RFS）。此外，我们提出了RFS能量，与RFS可能性作为异常得分相反。正态样本点模式特征的相似性分布被建模为多元高斯分布。所提出的RFS能量的参数学习不需要任何繁重的计算。我们在MVTec AD数据集（一个多对象缺陷检测数据集）上评估了所提出的方法。实验结果表明，我们提出的方法相比，国家的最先进的方法，和所提出的RFS能量优于国家的最先进的少样本学习设置。
2021-08-27 cs.CV cs.LG
TiSAT: Time Series Anomaly Transformer
University of South Florida（南佛罗里达大学）
虽然时间序列中的异常检测已经是一个活跃的研究领域了好几年，但最近的方法采用了一个不充分的评估标准，导致F1分数膨胀。我们表明，一个基本的随机猜测方法可以优于国家的最先进的检测器在这个流行的，但错误的评价标准。在这项工作中，我们提出了一个适当的评价指标，衡量检测序列异常的及时性和精度。此外，大多数现有的方法无法从长序列中捕获时间特征。基于自注意力的方法，如Transformers，已被证明在捕获远程依赖关系方面特别有效，同时在训练和推理期间具有计算效率。我们还提出了一个有效的Transformer方法在时间序列中的异常检测，并广泛评估我们提出的方法在几个流行的基准数据集。
2022-03-10 cs.LG eess.SP stat.ML
Federated Low-Rank Koopman Learning for Multivariate Time-Series Anomaly Detection in IoT Systems
University of Technology Sydney（悉尼科技大学）；FPT University（越南邮电大学）；Hanoi University of Science and Technology（河内科技大学）
研究物联网系统多变量时间序列异常检测问题，提出FedKAD框架，通过轻量级滑动窗口库普曼表示学习正常时间动态，经联邦训练优化共享表示，实验表明其检测性能良好且适用于资源受限的边缘设备。
2026-07-13 cs.LG eess.SP
MirGuard: Towards a Robust Provenance-based Intrusion Detection System Against Graph Manipulation Attacks
针对图操纵攻击威胁，提出鲁棒异常检测框架MirGuard，结合逻辑感知噪声注入与保留逻辑的对比学习，生成保持因果语义的图视图，在多项数据集上显著提升PIDS对抗攻击的鲁棒性且不牺牲检测性能。
2025-08-14 cs.CR
BadSAD: Clean-Label Backdoor Attacks against Deep Semi-Supervised Anomaly Detection
Utah State University（犹他州立大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出 BadSAD 框架，通过触发器注入与潜在空间操纵两阶段方法，对 DeepSAD 深度半监督异常检测模型实施干净标签后门攻击，揭示了该类系统的安全风险。
2024-12-17 cs.AI cs.CR cs.CV
From Bi-Level to One-Level: A Framework for Structural Attacks to Graph Anomaly Detection
本文针对基于FeXtra和GCN的图异常检测系统，将结构投毒攻击的双层优化转化为单层问题，并提出利用梯度信息在离散域优化的BinarizedAttack算法，实验验证其攻击有效性。
2023-07-17 cs.CR
Hierarchical Entropic Diffusion for Ransomware Detection: A Probabilistic Approach to Behavioral Anomaly Isolation
本文提出HED框架，融合层次聚类、熵画像与概率扩散建模，在无签名条件下识别勒索软件的对抗性加密行为，并证明其准确、低误报、可实时且适合大规模部署。
2025-03-25 cs.CR
Securing IoT Communications via Anomaly Traffic Detection: Synergy of Genetic Algorithm and Ensemble Method
针对物联网网络易受安全威胁的问题，提出结合遗传算法与集成方法的三阶段异常检测框架，经实验验证准确率达98%，能有效提升物联网网络安全性。
2025-10-21 cs.CR
Defending the Peg: Real-Time Dynamic Protection and Anomaly Detection in DeFi Stablecoins
Hainan University（海南大学）
针对DeFi稳定币智能合约安全问题，本文分析真实攻击事件，提出实时动态防御架构，构建基于Bi-LSTM的异常检测模型，实现高准确率、高召回率与低延迟的检测效果。
2026-08-27 cs.CR
Effectiveness of random deep feature selection for securing image manipulation detectors against adversarial examples
University of Siena（锡耶纳大学）；Xidian University（西安电子科技大学）
我们研究了[1]中提出的随机特征选择方法是否可以扩展到基于深度学习特征的检测器，以提高取证检测器对目标攻击的鲁棒性。特别是，我们研究了针对原始CNN图像操作检测器的对抗性示例到其他检测器（全连接神经网络和线性SVM）的可转移性，这些检测器依赖于从原始网络的扁平层提取的特征的随机子集。我们通过考虑三个图像操作检测任务（滤波，中值滤波和自适应直方图均衡化），两个原始网络架构和三类攻击得到的结果表明，特征随机化有助于阻碍攻击的可转移性，即使在某些情况下，简单地改变检测器的架构，甚至重新训练检测器就足以防止攻击的可转移性。
2019-12-26 cs.CR cs.CV cs.LG
Sensor Deprivation Attacks for Stealthy UAV Manipulation
本文提出多部分传感器剥夺攻击（SDAs），通过在本地总线注入消息重新配置传感器，导致控制器产生对抗性传感器值并引发错误控制动作，使无人机失稳坠毁或偏离轨迹超30米，且能逃避最先进的异常检测，同时提出了相应对策。
2024-10-14 cs.CR
Preventing Manipulation Attack in Local Differential Privacy using Verifiable Randomization Mechanism
用于局部差分隐私（LDP）的几种随机化机制（例如，随机化应答）被充分研究以提高效用。然而，最近的研究表明，LDP在本质上通常容易受到恶意数据提供商的攻击。因为数据收集器必须仅从已经随机化的数据估计背景数据分布，所以恶意数据提供者可以在发送之前操纵其输出，即，随机化将为他们提供合理的否认能力。攻击者可以有效地扭曲估计，因为它们是通过使用LDP协议中定义的随机化概率进行归一化来计算的，并且甚至可以控制估计。在本文中，我们将展示如何防止恶意攻击者破坏LDP协议。我们的方法是利用可验证的随机化机制。数据收集器可以验证为每个数据提供者执行商定的随机化机制的完整性。我们提出的方法完全保护LDP协议的输出操作，并显着减轻预期的损害攻击。我们不假设任何特定的攻击，它有效地对抗一般的输出操纵，因此比以前提出的对策更强大。我们描述了三个国家的最先进的LDP协议的安全版本，并根据经验表明，它们会导致可接受的开销根据几个参数。
2021-06-09 cs.CR
Collaborative Alerts Ranking for Anomaly Detection
给定来自异常检测系统的大量低级别异构分类警报，如何描述不同警报之间的复杂关系，过滤掉误报，并向最终用户提供值得信赖的排名和建议？这个问题的动机和推广从企业安全和攻击场景重建的应用。虽然现有技术集中于重建异常场景或滤除假阳性警报，但同时考虑这两个方面可能更有利，以便提高检测准确性并更好地理解异常行为。在本文中，我们提出了CAR，一个协作警报排名框架，利用时间和内容的相关性，从异构的分类警报。CAR首先建立一个基于树的模型来捕获每个警报序列中的短期相关性和长期依赖性，从而识别异常动作序列。然后，一个基于嵌入的模型来学习警报之间的内容相关性，通过其异构的分类属性。最后，通过将时间和内容依赖性合并到一个优化框架中，CAR对警报及其相应的警报模式进行排名。我们使用真实企业监控数据和专业黑客发起的真实攻击进行的实验表明，CAR可以准确识别真正的积极警报，同时成功重建攻击场景。
2018-02-13 cs.CR
Navigating Connected Car Cybersecurity: Location Anomaly Detection with RAN Data
针对联网汽车劫持与欺骗攻击，本文提出基于 RAN 事件监测的位置异常检测模块，利用数千万辆汽车数据识别同时出现在多地的恶意设备。
2024-07-02 cs.CR cs.NI
