May, 2022

基于图形和流量的安全遥测技术实现零日威胁检测

PDF
TL;DR本文提出基于深度学习的模型，将网络流量数据和资产级别图特征结合，用于实时检测零日威胁，可有效降低误报率，提高响应时间，同时提供一组新的标记的网络攻击数据集用于其他模型的验证或训练。
zero day threatsai-based detection modeldeep learninganomaly detectioncyber attack dataset
发现论文，激发创造
  • 使用度量学习自编码器进行零日威胁检测

    该篇论文利用双自编码器 [dual-autoencoder] 和度量学习 [metric learning] 方法，通过资产级图谱特征 [asset-level graph features] 检测网络流量中的零日威胁 [zero-day threats]，在已知攻击类型的情况下实现多类分类 [multiclass classification]，可在潜在空间 [latent space] 中显示最近的已知攻击类别类，有望为威胁猎人节省时间。

    Nov, 2022

  • 深度学习在金融领域提升网络安全弹性与高级威胁检测

    本研究使用深度学习进行高级威胁检测，提高金融行业的网络安全性，并且聚焦异常入侵检测技术的研究。

    Feb, 2024

  • 基于 FPGA 的汽车控制器区域网络零日入侵实时检测系统

    使用无监督学习的卷积自编码器架构进行零日攻击检测，通过在仅有良性（无攻击）CAN 消息上训练模型，成功实现对未知攻击类型的高准确率分类，并且能够在高速 CAN 网络上实现线速检测，适用于关键 CAN 网络的零日攻击检测。

    Jan, 2024

  • 5G 及其后续 V2X 网络中的零日攻击检测的联邦学习

    利用深度自编码器方法检测基于良性网络流量模式的攻击，通过联邦学习训练侵入检测系统，同时保护 CAVs 的隐私并减少通信开销。在最新的网络流量数据集上进行的深入实验表明，该系统实现了高检测率，并最小化误报率和检测延迟。

    Jul, 2024

  • Zero-X: 一种针对 IoV 的基于区块链的开放式联邦学习框架，用于零日攻击检测

    本文提出了 Zero-X，一种通过将深度神经网络与开放环境识别相结合的方法，有效检测 IoV 领域中的 0-day 与 N-day 攻击，并使用区块链技术实现可信和分散式的联邦学习，旨在维护隐私和提高检测率。与相关工作的比较表明 Zero-X 框架优于现有解决方案。

    Jul, 2024

  • ZSTAD：零样本时序活动检测

    提出了一种称为零样本时间活动检测（ZSTAD）的新任务设置，其中可以检测到没有在训练中见过的活动。使用 R-C3D 进行设计并采用考虑到活动标签和超类嵌入的创新损失函数对网络进行优化，实验结果对于检测到未知活动方面表现出了良好的性能。

    Mar, 2020

  • 深度树学习用于零样本人脸反欺骗

    本文介绍了一种新的基于 Deep Tree Network 方法的零样本人脸反欺诈技术，它可以防止包括打印和重播攻击在内的 13 种欺诈攻击被成功地检测，并且介绍了第一个包含多种欺诈攻击类型的人脸反欺诈数据库。实验结果表明，所提出的方法在多次测试协议的零样本人脸反欺诈技术上达到了最先进的水平。

    Apr, 2019

  • 强大的零信任体系结构：联合基于区块链的联邦学习和基于异常检测的框架

    通过区块链分布式学习和异常检测技术，提出了一个适用于物联网网络的强韧的零信任体系结构，可用于高效的远程工作和协作。该体系结构整合了异常检测和信任计算，保证了去中心化环境中的设备协同工作的安全性和可靠性。

    Jun, 2024

  • 恶意流量检测的深度学习

    本文提出了一种基于层次分类和数量相关的反向传播算法的树形深度神经网络（TSDNN），以解决不平衡数据学习的问题，并在实验中表明其优于现有方法，可用于实时检测和深度学习在网络安全中的普适性能力。

    Feb, 2018

  • ADT: 基于代理的动态阈值方法进行异常检测

    本研究通过将阈值问题建模为马尔可夫决策过程，并基于深度 Q 网络提出了一种基于代理的动态阈值 (ADT) 框架，该框架可以用于需要动态阈值的多个系统。通过利用自编码器从复杂输入数据中获取特征表示并生成异常得分，ADT 可以自适应地调整阈值，并显著改善异常检测性能。通过在三个真实数据集上进行实验证明了 ADT 的阈值能力、数据高效学习、稳定性和鲁棒性，并验证了强化学习在异常检测中的最优阈值控制的有效性。

    Dec, 2023