本研究提出了一种新颖的分散和联合学习入侵检测体系结构（DOF-ID），该体系结构利用机器学习技术，不需要公开其他系统的数据集即可学习，通过 DOF-ID 的平均评估结果表明，DOF-ID 可以同时显著提高所有协作节点的入侵检测性能。

Jun, 2023

本文提出了一种基于主动学习的方法（ALIF），用于检测具有领域特定异常定义的不寻常行为，并且性能优于其他最先进的算法。该方法特别适用于集成有异常检测功能的决策支持系统（DSS）。

Jul, 2022

该论文提出利用 NSL-KDD 数据集，结合多个学习器构建集成学习器，提高入侵检测的准确度，在雾到终端架构中实施两个级别的分类，实现入侵检测与精确预防的目的，实验结果表明该 IDS 比其他最先进的方法在该数据集上更为有效。

Jan, 2019

本文提出了一种新的基于特征选择和集成学习技术的入侵检测框架，使用 NSL-KDD、AWID 和 CIC-IDS2017 数据集进行实验证明，CFS-BA-Ensemble 方法在多个指标下具有更优越的性能。

Apr, 2019

本文研究了使用机器学习分类算法以保证物联网 (IoT) 不受拒绝服务攻击 (DoS) 的前景。评估了流行数据集 CIDDS-001， UNSW-NB15 和 NSL-KDD 用于分类器的基准测试，并使用 Friedman 和 Nemenyi 测试来分析分类器之间的显着差异。最终提出了建议，以应用程序要求选择最佳分类器。

Feb, 2023

通过半监督学习技术开发入侵检测系统，建立了两种策略：1）使用随机和均匀分布的合成攻击样本训练有监督机器学习模型；2）构建一种仅基于良性网络流量训练的一类分类模型。实验证明，基于最先进的异常检测技术 usfAD 的一类分类模型在考虑真实场景并要检测先前未见的攻击时优于传统的有监督分类和其他一类分类技术。

Mar, 2024

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

研究使用基于联邦学习的入侵检测系统解决物联网领域中的数据安全和隐私问题，并且实验结果表明，在使用预先训练的初始全局模型的情况下，相比随机初始化的全局模型，模型性能提高了 20% 以上（F1 得分）

Jun, 2023

本文提出了一个新颖的入侵检测系统（IDS），结合了基于决策树和基于规则的概念的不同分类器方法，即 REP 树，JRip 算法和 Forest PA，并通过分析使用 CICIDS2017 数据集的 IDS 获得实验结果表明其在准确性，检测率，误报率和时间开销方面的优越性，相比于现有的最先进方案。

Dec, 2018

提出了一种新颖的 IDS 结构，它通过结合传统机器学习模型和深度学习模型来增强 IDS 对抗敌对攻击的鲁棒性，该结构包含 DL-based IDS、adversarial example detector 和 ML-based IDS 三个组件，并使用 DL 模型高预测准确性和 DL 模型与 ML 模型之间的低攻击可转移性来改善整个系统的鲁棒性。实验证明，在遭受对抗攻击时，该 IDS 系统在预测性能方面显著提高，高准确率，资源消耗低。

Dec, 2023