BARTPredict: Empowering IoT Security with LLM-Driven Cyber Threat Prediction
Badji Mokhtar-Annaba University（巴吉·穆克塔尔-安纳巴大学）；University of La Rochelle（拉罗谢尔大学）；National Higher School of Technology and Engineering -Annaba（安纳巴国家技术与工程高等学校）
本文提出BARTPredict框架，结合微调的BART和BERT大语言模型主动预测并识别物联网网络中的恶意流量，在CICIoT2023数据集上取得98%准确率，实现了从被动检测到主动预测的转变。
2025-01-03 cs.AI cs.CR
An Inline Control Architecture for Language Models in Intelligent Transportation Systems
Télécom Paris, Institut Polytechnique de Paris（巴黎高等电信学院，巴黎理工学院）
针对V2X系统中LLM的提示级攻击问题，提出Guarded-V2X内联语义护栏架构，经四阶段实验验证其可降低入侵成功率且不超延迟预算。
2026-08-06 cs.AI 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
TRIDENT: Tri-modal Real-time Intrusion Detection Engine for New Targets
提出融合音频、视觉与RF的三模态框架TRIDENT，通过两种融合策略和传感器退化增强实现高精度、低延迟的实时无人机检测。
2025-05-15 cs.CR
Beyond Answer Voting: Fine-Grained Correction of LLM Reasoning through Graph Alignment across Sampled Traces
School of Informatics, Xiamen University（厦门大学信息学院）；The University of Tokyo（东京大学）；National Institute of Informatics (NII)（信息学研究所（NII））
本研究针对大语言模型推理的中间分歧问题，提出DDRG框架，通过推理图对齐暴露分歧并选择性修正，在五个基准上提升了Qwen2.5-7B和Llama3.1-8B的宏平均准确率，性能优于CoT、GoT、GoV及SC方法。
2026-10-14 cs.AI cs.CL
Few-Shot Network Intrusion Detection Using Online Triplet Mining
Department of Electronics and Electrical Engineering, University of Strathclyde（斯特拉斯克莱德大学电子与电气工程系）；Faculty of Computer and Information Sciences, Ain Shams University（爱思曼大学计算机与信息科学学院）；Faculty of Electrical Engineering, Czech Technical University（捷克技术大学电气工程学院）
本文提出利用在线三元组挖掘和KNN分类器的三元组网络，实现少样本下的有效网络入侵检测，通过对比不同三元组挖掘算法和模型设计，验证了在少量恶意样本下该方法的竞争力。
2026-05-17 cs.AI cs.CR cs.LG
ConCap: Practical Network Traffic Generation for (ML- and) Flow-based Intrusion Detection Systems
Ghent University – imec（根特大学–imec）；University of Liechtenstein（列支敦士登大学）；Reykjavik University（雷克雅未克大学）
ConCap通过生成真实网络环境下的自动标注流量数据，解决了NIDS研究中数据代表性不足的问题，验证了其在真实网络和基准数据集中的有效性。
2026-01-13 cs.CR cs.NI
Diffusion-based Adversarial Purification for Intrusion Detection
Polytechnique Montréal（蒙特利尔理工学院）；IRT SystemX
本文针对入侵检测中对抗样本的挑战，首次证明了扩散模型在网络入侵检测中净化对抗样本的有效性，通过全面分析扩散参数确定了最优配置，并揭示了扩散噪声与扩散步数之间的关系。
2024-06-25 cs.AI cs.CR cs.LG
Application of deep learning to enhance the accuracy of intrusion detection in modern computer networks
本文研究了在现代计算机网络中应用深度学习来提高入侵检测的准确性。计算机网络中攻击的识别根据学习阶段使用的信息分为入侵检测和异常检测两类。入侵检测使用常规流量和攻击流量。异常检测方法试图对系统的正常行为进行建模，任何违反此模型的事件都被视为可疑行为。例如，如果Web服务器（通常是被动的）试图将有许多地址可能感染蠕虫。异常诊断方法有统计模型、安全系统方法、检查协议、检查文件、创建白名单、神经网络、遗传算法、向量机、决策树。我们的研究结果表明，我们的方法提供了高水平的准确性，精确度和召回率，同时减少了训练时间。在我们未来的工作中，探索改进的第一个途径将是评估和扩展我们模型处理零日攻击的能力。
2020-12-13 cs.CR
Trusted Weights, Treacherous Optimizations? Optimization-Triggered Backdoor Attacks on LLMs
Shanghai Jiao Tong University（上海交通大学）；Beihang University（北京航空航天大学）；Tongji University（同济大学）；Nanyang Technological University（南洋理工大学）
本文提出了一种利用编译优化过程植入隐蔽后门的攻击方法，通过两种互补策略在无需修改编译器或硬件的情况下，实现对大语言模型的后门攻击，并展示了其在多个开源大语言模型上的高成功率。
2026-10-01 cs.AI cs.CR cs.LG
Boundary-Seeking GAN-Augmented TabTransformer for Adversarially Robust Intrusion Detection
Department of Computer Science, Universitas Ary Ginanjar（阿里甘jar大学计算机科学系）
研究针对机器学习入侵检测系统的问题，提出用BGAN增强的表格变换器框架，通过生成合成样本缓解不平衡并评估鲁棒性，实验表明该框架提升了宏F1分数、增强了鲁棒性且保持低误触发率，为对抗网络环境提供有效入侵检测方案。
2026-07-21 cs.AI cs.CR cs.LG
Optimizing IoT Intrusion Detection with Tabular Foundation Models for Smart City Forensics
Zayed University（扎耶德大学）；Higher Colleges of Technology（高等技术学院）
本文提出基于Transformer的基础模型TabPFNv2.5，在智慧城市取证中实现比随机森林更快的推理速度和更高的检测准确率，通过混合管道提升物联网入侵检测效率。
2026-04-13 cs.CR
Bayesian Belief Layer for Controllable Opinion Dynamics in LLM Agents
Massachusetts Institute of Technology（麻省理工学院）；Flybits Labs（Flybits实验室）；Toronto Metropolitan University（多伦多都会大学）
提出贝叶斯编年史智能体（BCA），通过分离信念与表达、用贝叶斯步骤更新立场并引入先验强度参数，实现可控意见动态，匹配FJ模型并提升可审计性。
2026-09-23 cs.AI cs.MA
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
AI-Powered Hybrid Intrusion Detection Framework for Cloud Security Using Novel Metaheuristic Optimization
Middle Technical University（中东技术大学）；University of Tabriz（大不里士大学）
本文提出基于新型元启发式优化的混合入侵检测框架，通过特征选择和机器学习模型提升云安全性能。
2026-01-03 cs.AI cs.CR
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
Intrusion detection systems using classical machine learning techniques versus integrated unsupervised feature learning and deep neural network
Self-employed（自营（个体））；IBM（国际商业机器公司）；Amrita Vishwa Vidyapeetham（阿姆里塔维施瓦维迪亚佩塔姆大学）
安全分析师和管理员面临着检测和防止组织中的网络入侵的许多挑战，为了防止网络漏洞，及时检测漏洞至关重要。在检测不可预见的攻击时会出现挑战。这项工作包括对需要大量特征工程的经典机器学习方法与NSL-KDD数据集上的集成无监督特征学习和深度神经网络进行性能比较。运行各种试验以识别机器学习模型的合适的超参数和网络配置。使用主成分分析提取的15个特征的DNN是最有效的建模方法。使用软件定义网络功能进行的进一步分析也显示了使用深度神经网络的良好准确性。
2019-10-01 cs.CR cs.LG cs.NI
Fast Feature Reduction in intrusion detection datasets
Ferdowsi University of Mashhad（马什哈德菲尔多西大学）；K.N Toosi University of Technology（K.N.图西理工大学）
在大多数入侵检测系统中，系统通过分析网络中发送或接收的数据包来学习不同类型攻击的特征。这些包有很多功能。但并非所有这些都需要进行分析，以检测特定类型的攻击。检测速度和计算成本是另一个至关重要的问题，因为在这些类型的问题中，数据集通常非常庞大。在本文中，我们试图提出一个非常简单和快速的特征选择方法，以消除功能，他们没有帮助的信息。从而在冗余特征的剔除过程中获得更快的学习速度。我们比较了我们提出的方法与三个最成功的基于相似性的特征选择算法，包括相关系数，最小二乘回归误差和最大信息压缩指数。之后，我们使用这些算法的推荐功能在两个流行的分类器，包括：贝叶斯和KNN分类器来衡量推荐的质量。实验结果表明，虽然该方法不能优于评价算法的精度差异很大，但在计算成本，它比他们有巨大的优势。
2013-04-01 cs.CR cs.LG
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
A Novel Deep Learning based Model to Defend Network Intrusion Detection System against Adversarial Attacks
Bharati Vidyapeeth's Institute of Computer Applications and Management（巴拉蒂·维德亚佩特计算机应用与管理学院）；Aligarh Muslim University（阿里格尔穆斯林大学）
本研究针对基于深度学习的网络入侵检测系统（NIDS）易受对抗性攻击的问题，实现了FGSM、JSMA、PGD和C&W四种对抗攻击方法，并采用对抗训练作为防御手段，利用CICIDS-2017数据集在攻击前后及防御后三个阶段评估了模型性能。
2023-07-31 cs.AI cs.CR cs.LG
CANDoSA: A Hardware Performance Counter-Based Intrusion Detection System for DoS Attacks on Automotive CAN bus
Dumarey Softronix（杜马雷软件系统）；Politecnico di Torino（都灵理工大学）
CANDoSA通过硬件性能计数器检测CAN总线上的DoS攻击，利用RISC-V架构和AES-128加密提升汽车网络安全。
2025-07-19 cs.CR
When Does Trust Help? A Leakage-Free Evaluation of Representation- and Aggregation-Based Defenses Against Backdoors in Federated Intrusion Detection
Charles Sturt University（查尔斯斯特大学）；Victoria University（维多利亚大学）
该研究在消除评估人为因素的协议下，对比RepGuard等防御方法，发现仅小触发器下防御有效，抑制后门的关键是触发器知识而非表示评分，DP-SGD无法缓解后门。
2026-10-14 cs.CR
Adaptive Experimental Design for Intrusion Data Collection
本文提出了一种受临床试验启发的自适应设计（AD）方法，通过首个受控且自适应的蜜罐部署研究，高效发现入侵数据收集中的因果关系，在减少蜜罐请求和部署时间的同时收集更多攻击记录。
2023-10-20 cs.CR
Modified Apriori Approach for Evade Network Intrusion Detection System
入侵检测系统（IDS）是一种软件或硬件工具，可以重复扫描和监视计算机或网络中发生的事件。基于签名的网络入侵检测系统（NIDS）使用一组规则来检测网段或数据包中的恶意流量，这对于检测网络上的恶意和异常行为（如已知攻击）非常重要，黑客正在寻找新的技术来隐藏。有时，任何一层的一个故障都会导致NIDS错过该攻击。为了克服这个问题，使用了一种技术，它将在该层中触发故障。这种技术被称为回避技术。规避可以定义为将可见攻击修改为任何其他形式以避免被检测到的任何技术。该系统用于检测网络上的攻击，并给出了实际的攻击分类。该系统具有低虚警率和高检测率的优点。因此，这导致降低了系统的复杂性和开销。提出了一种自定义Apriori算法的规避技术。本文旨在设计一种新的功能结构来规避NIDS。该框架可用于审计NIDS。这个框架展示了一个概念证明，展示了如何在考虑两个公开可用的数据集的情况下规避自建的NIDS。
2014-11-25 cs.CR
An LLM-Assisted AutoML Framework for Intrusion Detection in IoT Networks
Ontario Tech University（安大略理工大学）；Western University（韦仕敦大学）
本文提出一种LLM辅助的AutoML框架，通过LLM生成有界策略，实现物联网入侵检测的自动数据平衡、特征工程与算法选择，在低预算下提升F1分数并显著减少优化时间。
2026-09-22 cs.CR cs.LG
SoK: Reshaping Research on Network Intrusion Detection Systems
University of Liechtenstein（列支敦士登大学）；Reykjavik University（雷克雅未克大学）
本文通过反思网络入侵检测系统（NIDS）的研究现状，指出其内在特性被误解的问题，并提出改进建议，旨在重塑NIDS研究方向。
2026-04-19 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
The importance of the clustering model to detect new types of intrusion in data traffic
Sunni Endowment Diwan（逊尼派宗教基金部）
本研究利用K-means聚类模型检测数据流量中的新型入侵，通过XG-boost收集攻击数据并验证于Kaggle物联网入侵数据集，成功识别并计数攻击类型。
2025-03-26 cs.AI 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
Adaptive Intrusion Detection System using Transformer-Based Neural Networks and Continual Learning Approach with Adversarial Investigation
Universiti Malaya（马来亚大学）；Universiti Teknologi MARA（马来西亚理工大学）；Malaysian Communications and Multimedia Commission（马来西亚通讯及多媒体委员会）
本文提出结合表格型Transformer编码器与类别平衡经验重放缓冲区的自适应IDS框架，在CICIDS2017基准测试中表现优异，同时揭示了重放缓冲区存在的标签翻转与后门攻击漏洞。
2026-08-06 cs.CR
Improvement and Evaluation of Resilience of Adaptive Cruise Control Against Spoofing Attacks Using Intrusion Detection System
自适应巡航控制（ACC）系统自动调整车速，以保持车辆与前车之间的安全距离。控制器的加速或减速决定是使用车辆的目标速度和车辆到领头车辆的距离与到该车辆的安全距离之间的差来计算的。欺骗通过车辆的控制器局域网（CAN）传送的车辆速度会对ACC（比例-积分-微分变型）防止与领头车辆碰撞的能力产生负面影响。本文报告了扩展ACC与实时入侵检测系统（IDS）能够检测速度欺骗攻击与合理的响应时间和检测率，并模拟建议的扩展使用CARLA仿真平台。仿真的结果是：（1）欺骗车辆速度可以阻止ACC错误地加速，从而导致事故，以及（2）使用基于ML的IDS扩展ACC以在事故即将发生时触发制动器可以缓解该问题。研究结果表明，探索基于ML的IDS的能力，以支持弹性机制，减轻对车辆的网络攻击。
2023-02-02 cs.CR cs.SY eess.SY
Tracing the Chain: Deep Learning for Stepping-Stone Intrusion Detection
University of Minnesota（明尼苏达大学）
本文提出ESPRESSO模型用于中继入侵检测，通过深度学习实现低误报率的流量相关性分析，优于现有方法，且能预测链长以区分恶意行为。
2026-04-09 cs.CR cs.LG
Analyzing and Mitigating Poisoning Attacks on Flow-Based Intrusion Detection
CortAIx Labs, Thales Deutschland（Thales Deutschland）；Grey Solutions；University of Osnabrück（奥斯纳布吕克大学）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；Ulm University（乌尔姆大学）
针对基于流的入侵检测系统易受少量数据投毒植入隐蔽后门的问题，提出诊断为先的方法，可定位特征、检测行为漂移并实现针对性缓解，为AI-IDS后门风险提供可扩展解决方案。
2026-11-13 cs.CR cs.LG
Adaptable Plug and Play Security Operations Center Leveraging a Novel Programmable Plugin-based Intrusion Detection and Prevention System
在过去十年中，网络攻击的数量大幅增加，造成了巨大的组织财务损失。事实上，安全事故不再是“是否”发生的问题，而是“何时”发生的问题。安全运营中心（SOC）的采用将有助于在问题最终造成广泛的网络相关损害之前检测、识别、预防和解决问题。在本文中，我们提出的框架带来了解决问题，目前的开源SOC实现的困扰。这些问题包括缺乏即时增强的能力，缓慢的开发过程，以及不适合持续及时的更新。我们，在这里，提出了一个框架，将提供一个完全自动化的开源SOC部署，否则被称为“即插即用框架”，全面的水平可扩展性，包括一个模块化的架构。这些基础功能旨在缓解SOC的潜在挑战，这些挑战通常是由于许多预先确定和重复的过程而出现的，从而增强了它们使用新工具进行扩展的能力。这是在增强它们将集群中的更多服务器作为单个逻辑单元处理的能力的基础上。我们还介绍了一个新的系统，其称为可编程的基于插件的入侵检测和预防系统（PPIDPS）。该系统将扩展SOC的能力，将任何工具添加到受监控的设备，同时收集日志，只要检测到可疑行为，就可以触发警报。
2022-04-10 cs.CR
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
Unmasking Covert Intrusions: Detection of Fault-Masking Cyberattacks on Differential Protection Systems
Khalifa University（哈利法大学）；Concordia University（康考迪亚大学）；Cairo University（开罗大学）；University of Waterloo（滑铁卢大学）
针对线路电流差动继电器面临的隐蔽故障掩蔽网络攻击，提出结合物理失配指数与神经网络分类器的双模块检测框架，并通过IEEE 39节点系统和OPAL-RT验证其准确性与实时性。
2024-09-06 cs.CR cs.LG cs.SY
A Hypergraph-Based Machine Learning Ensemble Network Intrusion Detection System
National Intelligence University（国家情报大学）；Army Cyber Institute, United States Military Academy（美国陆军军事学院陆军网络研究所）
本文提出基于IP地址与目的端口超图特征的三模型集成ML NIDS，通过更新规则和阈值触发实时重训练，在40个场景及CIC-IDS2017上实现近100%检测性能。
2024-09-06 cs.AI cs.CR cs.SY
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
Machine learning-based network intrusion detection for big and imbalanced data using oversampling, stacking feature embedding and feature extraction
International University of Business Agriculture and Technology（国际商业农业技术大学）；Jagannath University（贾甘纳特大学）；Deakin University（迪肯大学）；University of New South Wales（新南威尔士大学）；Imam Mohammad Ibn Saud Islamic University（伊玛目穆罕默德·伊本·沙特伊斯兰大学）；The University of Queensland（昆士兰大学）
提出融合随机过采样、聚类堆叠特征嵌入与PCA降维的ML入侵检测模型，在三个基准数据集上取得最高99.99%准确率并优于现有方法。
2024-01-22 cs.CR cs.LG
GGNB: Graph-Based Gaussian Naive Bayes Intrusion Detection System for CAN Bus
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Tennessee State University（田纳西州立大学）；General Motors Corporation（通用汽车公司）
美国国家公路交通安全管理局（NHTSA）认为，汽车系统的网络安全比其他信息系统的安全更为重要。研究人员已经展示了使用控制器局域网（CAN）对关键车辆电子控制单元（ECU）的远程攻击。此外，现有的入侵检测系统（IDS）通常提出解决特定类型的攻击，这可能会使系统容易受到许多其他类型的攻击。一个可以在最短时间内识别各种攻击的通用IDS比针对特定攻击的IDS更有实用价值，这不是一个简单的任务。本文提出了一种新的基于{\textbf g}图的{\textbf G} ause { \textbf n}aive { \textbf B}ayes（GGNB）入侵检测算法，该算法充分利用了图的特性和PageRank相关的特征.在真实的原始CAN数据集\cite{Lee:2017}上，GGNB对拒绝服务（DoS）、模糊攻击、欺骗攻击、重放攻击和混合攻击的检测准确率分别为99.61%、99.83%、96.79%和96.20%。在OpelAstra数据集\cite{Guillaume:2019}上，该方法对拒绝服务攻击、诊断攻击、模糊CAN ID攻击、模糊负载攻击、重放攻击、挂起攻击和混合攻击的检测准确率分别为100%、99.85%、99.92%、100%、99.92%、97.75%和99.57%.与相同应用中使用的SVM分类器相比，基于GGNB的方法分别需要约$239\times$和$135\times…
2021-08-24 cs.CR cs.LG
Performance Comparison of Intrusion Detection Systems and Application of Machine Learning to Snort System
Teesside University（提赛德大学）
本文研究了两个开源的入侵检测系统（IDS），即Snort和Suricata的性能，以准确地检测恶意流量的计算机网络。Snort和Suricata安装在两台不同但相同的计算机上，并在10 Gbps网络速度下评估性能。有人指出，Suricata可以处理比Snort更高速度的网络流量，丢包率更低，但消耗更高的计算资源。Snort具有更高的检测精度，因此被选择用于进一步的实验。据观察，Snort触发的误报率很高。为了解决这个问题，开发了Snort自适应插件。为了选择Snort自适应插件的最佳学习算法，采用不同的学习算法进行了实证研究，选择了支持向量机（SVM）。SVM和模糊逻辑的混合版本产生了更好的检测精度。但使用萤火虫算法优化的SVM获得了最好的结果，FPR（假阳性率）为8.6%，FNR（假阴性率）为2.2%，这是一个很好的结果。这项工作的新颖性是两个IDS在10 Gbps的性能比较和混合和优化的机器学习算法的应用程序的Snort。
2017-11-07 cs.CR cs.LG cs.NI
A Hierarchical Security Events Correlation Model for Real-time Cyber Threat Detection and Response
针对入侵检测系统告警量大、人工分析效率低且现有告警关联依赖外部第三方系统的问题，提出一种在IDS分类前进行事件关联的分层模型，融合两类关联技术优势并定制专属算法，在DARPA 99数据集上实现87%数据缩减。
2025-01-18 cs.CR cs.DC
Genos: General In-Network Unsupervised Intrusion Detection by Rule Extraction
Genos提出一种基于规则提取的通用网内无监督入侵检测框架，通过分而治之的规则提取、预测解释和增量调试，在可编程交换机上实现100 Gbps线速检测并降低维护成本。
2024-03-28 cs.CR cs.NI
Ancora: Accurate Intrusion Recovery for Web Applications
Beijing National Research Center for Information Science and Technology (BNRist), Key Laboratory for Information System Security, Ministry of Education (KLISS), School of Software, Tsinghua University（清华大学软件学院，教育部信息系统安全重点实验室，北京信息科学与技术国家研究中心）
Ancora通过精准追踪恶意请求引发的文件和数据库修改，实现Web应用的高效入侵恢复，确保合法数据安全并减少系统开销。
2026-01-02 cs.CR
Forecasting Attacker Actions using Alert-driven Attack Graphs
针对入侵检测系统告警疲劳及现有告警驱动攻击图仅离线运行、无法排序关键路径的问题，本文提出基于rSPDFA和期望最大化的攻击者行为预测方法，实现实时攻击图构建，显著提升预测准确率，助力SOC分析师高效处置攻击。
2024-08-19 cs.CR
Implementing Snort Intrusion Prevention System (IPS) for Network Forensic Analysis
本研究针对企业Confluence电子学习服务器的攻击风险，在PfSense上以IPS模式部署Snort构建综合安全系统，实现攻击检测、IP自动阻断及网络取证调查，验证了方案的有效性。
2023-08-25 cs.CR
Evasion Adversarial Attacks Remain Impractical Against ML-based Network Intrusion Detection Systems, Especially Dynamic Ones
Carleton University（卡尔顿大学）
本文研究了对抗攻击对基于机器学习的网络入侵检测系统（NIDS）的实用性，指出动态系统中的攻击有效性较低，并通过实验表明持续重新训练可降低攻击效果。
2026-03-29 cs.CR cs.LG cs.NI
Reverse Proxy Framework using Sanitization Technique for Intrusion Prevention in Database
随着互联网在我们日常生活中的重要性越来越大，Web应用程序中的数据安全变得非常重要。随着在线实时的事务服务的日益增多，与数据库安全相关的问题也日益增多。攻击者使用非法和未经授权的方法劫持机密信息，如用户名，密码和其他重要细节。因此，实时的事务需要针对基于web的攻击的安全性。SQL注入和跨站脚本攻击是最常见的应用层攻击。SQL注入攻击者通过Web应用程序输入字段、URL或隐藏参数传递SQL语句，并访问数据库或更新数据库。攻击者利用用户提供的数据，将用户输入作为SQL代码处理。利用此漏洞，攻击者可以直接在数据库上执行SQL命令。SQL注入攻击是最严重的威胁，它将用户输入集成到SQL查询中。反向代理是一种用于清理可能转化为数据库攻击的用户输入的技术。在该技术中，数据重定向程序在用户输入被发送到应用服务器之前将其重定向到代理服务器。在代理服务器处，使用净化应用程序来触发数据清理算法。在这个框架中，我们包括检测和净化被发送到数据库的污染信息，并创新一个新的原型。
2013-11-26 cs.CR cs.DB
"What is the Problem Space?" Defining Host-space Adversarial Perturbations against Network Intrusion Detection Systems
Ghent University - imec（根特大学-imec）；University of Liechtenstein（列支敦士登大学）；Reykjavik University（雷克雅未克大学）
本文通过系统文献综述和实验，定义了主机空间扰动（host-space perturbations），指出先前工作大多在预处理数据上施加扰动，而真实攻击者只能控制网络中的主机，并展示了极小字符变化即可绕过基于机器学习的网络入侵检测系统。
2026-05-25 cs.CR
GADoT: GAN-based Adversarial Training for Robust DDoS Attack Detection
机器学习（ML）已被证明在许多应用领域是有效的。然而，ML方法可能容易受到对抗攻击的攻击，其中攻击者试图通过制作输入数据来欺骗分类/预测机制。在基于ML的网络入侵检测系统（NIDS）的情况下，攻击者可能会使用他们对入侵检测逻辑的了解来生成未被检测到的恶意流量。解决这个问题的一种方法是采用对抗性训练，其中训练集用对抗性流量样本进行扩充。本文提出了一种称为GADoT的对抗性训练方法，该方法利用生成对抗网络（GAN）生成对抗性DDoS样本进行训练。我们表明，一个国家的最先进的NIDS与流行的数据集上的高准确性可以经历超过60%的未检测到的恶意流量下对抗攻击。然后，我们展示了在使用GADoT进行对抗训练后，这个分数如何下降到1.8%或更低。
2022-01-31 cs.CR
Entropy based Anomaly Detection System to Prevent DDoS Attacks in Cloud
云计算是一种新的计算模式，它提供了对广域分布式资源的一致访问。它以其服务提供基础设施、更低的维护成本、数据和服务可用性保证、快速的可访问性和可扩展性彻底改变了IT世界。网格和云计算入侵检测系统通过检测节点间的加密通信，发现隐藏的攻击尝试，对基于网络和基于主机的攻击进行检测。它结合了知识和行为分析来识别特定的入侵。基于特征的入侵检测系统通过对网络中的数据包进行监测，并通过与数据库的匹配来识别威胁，但对数据库中没有包含的攻击却无法检测出来。基于特征的入侵检测系统在捕获大量异常时性能较差。另一个问题是云服务提供商隐藏了入侵者造成的攻击，由于分布式云环境具有很高的脆弱资源的可能性。通过冒充合法用户，入侵者可以恶意地使用服务的丰富资源。在建议的系统中，我们结合了一些概念，这是新的入侵检测技术。本文将基于熵的系统与异常检测系统相结合，提供多级分布式拒绝服务攻击。这是通过两个步骤完成的：首先，允许用户通过路由器在网络站点中，它结合了检测算法，并检测合法用户。其次，它再次通过放置在云站点中的路由器，其中它包含确认算法并检查阈值，如果其超出阈值，则认为是合法用户，否则其是在环境中发现的入侵者。
2013-08-28 cs.CR cs.DC
TRIDEnT: Building Decentralized Incentives for Collaborative Security
复杂的大规模攻击，特别是利用零日漏洞时，有可能对组织和关键基础设施造成破坏性破坏。为了及时发现和遏制此类攻击，防御者之间的合作至关重要。通过关联来自多个来源的实时检测信息（警报）（协同入侵检测），防御者可以及时检测攻击并采取相应的防御措施。然而，尽管存在促进协作的技术工具，但这种协作安全机制在现实世界中的应用仍然不足。这在很大程度上是由于缺乏对公司和组织的信任和参与激励。本文提出了TRIDEnT，一种新型的协作平台，旨在使各方能够和激励各方交换网络警报数据，从而提高他们的整体检测能力。TRIDEnT允许可能存在竞争关系的各方以（近）实时对等流的形式有选择地宣传、销售和获取安全警报。为了验证TRIDEnT背后的基本原则，我们提出了一个直观的博弈论模型的警报共享，这是独立的利益，并表明，合作必然会发生无限频繁。此外，为了证明我们方法的可行性，我们使用以太坊智能合约以分散的方式实例化我们的设计，并提供一个功能齐全的原型。
2019-05-09 cs.CR
Quiet Triggers, Loud Footprints: A Tri-Space Measurement Study of Backdoor Stealthiness
Radboud University（拉德堡德大学）；University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程和计算学院）
本文针对图像分类任务开展后门隐身性的三空间测量研究，引入两个诊断指标，发现现有攻击难以在输入、特征、参数三空间均实现低足迹，为后续评估提供实用指南。
2026-10-14 cs.AI cs.CR
Using a Neural Network to Detect Anomalies given an N-gram Profile
University of the District of Columbia（哥伦比亚特区大学）
为了检测计算机程序的未知入侵和运行时错误，网络安全社区已经开发了各种检测技术。异常检测是一种被设计成剖析计算机程序的正常运行时行为以便将入侵和错误检测为与所观察到的正常的异常偏差的方法。然而，正常但未观察到的行为可能会引发误报。这一限制大大降低了异常检测技术的实际可行性。报告的方法，这一限制跨越一个简单的警报阈值定义的分布模型，近似所有的正常行为的基础上，有限的观察。然而，每一种假设或近似都可能导致更高的假阳性率。本文介绍了我们的研究如何解释异常的存在，使用神经网络，特别是长短期记忆，独立于实际的数据分布。我们提出并比较了三种异常检测模型，并报告了我们在Apache超文本传输协议服务器上运行不同类型攻击的经验。我们进行了一项比较研究，重点是每个模型检测每次攻击的能力，同时避免由未知的正常行为导致的误报。我们性能最好的模型检测到了每一次攻击的真正开始，并且没有误报。
2021-06-01 cs.CR cs.LG
