本文对网络入侵检测数据集进行了文献综述，详细描述了基于数据包和基于流的网络数据，并使用 15 个不同的属性，覆盖了数据量、录制环境等五个类别，提供了现有数据集的全面概述及其特点，并讨论了关于网络数据的其他来源，并为网络数据集的使用和创建提供了建议。
Mar, 2019
本文研究了捕捉系统行为和相互作用所需的 CPS 安全数据集元素，并提出了一个数据集架构，该架构有潜力提高 AI 算法在保障物理系统安全方面的性能。该框架包括数据集元素，攻击表示和所需的数据集特征。我们将现有数据集与所提出的架构进行了比较，以确定当前的局限性，并讨论使用测试平台生成 CPS 数据集的未来。
Aug, 2022
为了提高物联网设备的安全性，本研究利用机器学习技术，提出了一种新型数据集，用于收集和分析物联网 CoAP 协议下的拒绝服务攻击网络流量数据，并验证该数据集对多个分类器的有效性。
Jun, 2022
该研究论文提出了一种基于攻击空间和安全集合的框架，用于建立网络控制系统中的攻击情景模型，分析网络控制系统中的拒绝服务、回放、零动态和偏差注入等攻击，并描述了相应的攻击策略和对系统的影响。实验证明，这个框架能够为网络控制系统提供安全防范措施。
Dec, 2012
5G 和虚拟化等关键技术在网络部署中的使用引起了对安全控制的关注，该研究论述了网络异常检测的数字取证数据分析框架的有效性。
Aug, 2023
本研究探讨了如何在不泄露敏感信息的情况下发布关于关键基础设施网络（例如电网或交通网络）的数据，同时保持网络的真实性，提出了一种结合几个隐私保护建模块和双层优化模型的新型混淆机制来显着提高精度，利用真实的能源和交通网络对混淆机制进行了真实性和隐私性的评估，实验结果表明，混淆机制显著降低了攻击利用发布的数据对真实网络造成的潜在伤害。
May, 2019
为了解决机器学习模型泛化问题，本文提出了一种增强的机器学习流程，利用可解释的机器学习工具来指导网络数据的迭代式收集，并开发了一个名为 netUnicorn 的数据收集平台，可以从不同的网络环境中收集数据来提高模型的泛化能力。
Jun, 2023
本文综述了在机器学习中收集和使用数据的许多问题和担忧，并提倡通过更谨慎和深入的数据理解来解决实践和伦理问题。
Dec, 2020
数据多样性和视野的拓展能够显著提高学习质量。云计算、区块链和政府计划等为提供共享数据建模服务的平台及机构也面临着 “排他性攻击”，针对回归和聚类等长期交互协议的研究表明，协议选择和攻击者 Sybil 身份控制的数量对脆弱性有决定性影响。
Jan, 2022
数据空间是一种新兴的概念，用于可信实施基于数据的应用程序和业务模型，为所有利益相关者提供高度的灵活性和主权。本论文从 13 个不同领域整合数据模型，并分析这些领域的本体不协调性。通过网络图分析，确定了中心数据模型和本体属性，同时还定性地描述了这些领域的语义异质性。研究展望说明了这些结果如何有助于跨领域连接不同的数据空间。