网络入侵检测的迁移学习方法

Sep, 2019

A Transfer Learning Approach for Network Intrusion Detection

Peilun Wu, Hui Guo, Richard Buckland

TL;DR本文提出了一个使用转移学习的 ConvNet 模型，用于网络入侵检测，实验结果表明该模型可以提高检测准确度，不仅在主要攻击已知的测试数据集上（KDDTest +），而且在包含许多新攻击的测试数据集上（KDDTest-21）也有显着提升 -- 与传统 ConvNet 模型相比，在 KDDTest + 上提高了 2.68％，在 KDDTest-21 上提高了 22.02％。

Abstract

convolution neural network (ConvNet) offers a high potential to generalize input data. It has been widely used in many application areas, such as visual imagery, where comprehensive learning datasets are available and a ConvNet model can be well trained and perform the required functio

convolution neural network transfer learning network intrusion detection nsl-kdd dataset detection accuracy

发现论文，激发创造

入侵检测：深度学习方法

本研究提出了一种新的深度学习方法来检测网络入侵，运用了卷积神经网络 (CNN) 模块、长短时记忆 (LSTM) 模块和支持向量机 (SVM) 分类器，结果表明与传统机器学习方法和其他深度学习方法相比，这种方法更加有效。

Jun, 2023

基于深度迁移学习的网络流量监测

本篇论文探讨使用深度学习方法构建网络入侵检测系统的现代方法，并使用深度迁移学习技术改善模型在资源匮乏的实际目标领域中的分类性能和分类速度，在 UNSW-15 数据集上，源领域中实现了 98.30% 的分类准确度得分，并在目标领域中实现了改善的 98.43% 的分类准确度得分。

Jan, 2021

使用卷积神经网络进行物联网入侵检测

本文提出了一种使用卷积神经网络（CNNs）解决物联网设备入侵攻击的新方法，将传感器数据编码为卷积操作，以便 CNNs 检测攻击，并在 ResNet 和 EfficientNet 上进行评估，并与 LSTM 基线比较，结果表明该方法可以显著提高 true positive 和 false positive rate。

Nov, 2022

LuNet：用于网络入侵侦测的深度神经网络

在大规模网络中及时捕捉侵入是十分具有挑战性的，本论文针对网络数据的时空特征，提出了一种层级卷积神经网络 + 循环神经网络，名为 LuNet 的机器学习方法能够更加准确地检测网络入侵，而且假警报率更低。

Sep, 2019

学习网络入侵检测：一种数据驱动的方法

本文通过采用不同的基于学习的模型来检测网络攻击，演示了无监督表示学习模型在二进制入侵检测任务中的优势，并使用 SVM-SMOTE 过采样技术缓解了 4 类分类中的数据不平衡问题，并进一步展示了过采样机制的有效性及其深入神经网络基础模型的缺陷。

Aug, 2021

基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

Feb, 2016

关于深度学习模型在网络入侵检测中的迁移性研究

探索网络入侵检测设置中不同攻击类别之间的学习可转移性，通过训练深度学习模型以特定攻击类别，测试其于另一攻击类别。观察真实和合成数据增强技术对转移性的影响，研究转移关系的性质，可能是对称或非对称的。使用递归特征消除算法来解释转移关系，研究数据预处理技术以提高模型性能。

Dec, 2023

一种基于转移学习和优化卷积神经网络的物联网车辆入侵检测系统

本论文提出了一种基于转移学习和集合学习的基于卷积神经网络和超参数优化技术的 IDS，用于 IoV 系统的网络安全攻击检测以保护现代车辆系统。在实验中，该 IDS 在两个公共基准 IoV 安全数据集上表现出超过 99.25％的检测率和 F1 分数，表明了其对车内和外部汽车网络中的网络攻击检测的有效性。

Jan, 2022

一种新的监督深度学习解决方案，用于使用卷积神经网络（CNN）在边缘系统上检测分布式拒绝服务（DDoS）攻击

本研究提出了一种基于深度学习的新型分布式拒绝服务攻击检测方法，利用新不伦瑞克大学 DDoS 评估数据集中的实时 DDoS 攻击数据来构建一个更广泛和更适用于现实世界的模型。该模型通过提取数据流并将其归一化到一个固定长度，然后通过自定义架构进行二进制分类，利用卷积神经网络和常见的深度学习算法实现分类和减轻 DDoS 流量的技术。结果表明，该算法在网络流量中检测 DDoS 攻击方面表现出很高的准确性，针对 2000 个未见过的流量达到了 0.9883 的准确率，并且可在任何网络环境中扩展应用。

Sep, 2023

使用卷积神经网络和迁移学习进行时间序列异常检测

这篇论文提出了一种基于卷积神经网络的时序分割方法来检测异常，并使用迁移学习框架在大规模合成单变量时间序列数据集上进行预训练，然后在小规模、单变量或多变量数据集上进行微调，同时针对多变量情况，介绍了一种新的网络架构。该方法在多个合成和实际数据集上进行了成功测试。

May, 2019