使用支持向量机在 KDDCUP'99 和 NSL-KDD 数据集上的入侵检测系统：一项综合调查

Sep, 2022

使用支持向量机在 KDDCUP'99 和 NSL-KDD 数据集上的入侵检测系统：一项综合调查

Intrusion Detection Systems Using Support Vector Machines on the KDDCUP'99 and NSL-KDD Datasets: A Comprehensive Survey

Mikel K. Ngueajio, Gloria Washington, Danda B. Rawat, Yolande Ngueabou

TL;DR该研究回顾了当代文献，针对支持向量机（SVMs）作为分类器的不同类型的入侵检测技术进行了综合调查，并仅关注在网络安全领域中最广泛使用的两个数据集：KDDCUP'99 和 NSL-KDD 数据集。研究人员提供了每种方法的总结，确认了 SVMs 分类器的作用并列出了涉及到的所有其他算法，并以表格形式对每种方法进行了重要评论，这些评论强调了评估指标，优点和局限性。

Abstract

With the growing rates of cyber-attacks and cyber espionage, the need for better and more powerful intrusion detection systems (IDS) is even more warranted nowadays. The basic task of an IDS is to act as the first line of defense, in detecting attacks on the internet. As intrusion tact

intrusion detection machine learning deep learning cybersecurity support vector machines

发现论文，激发创造

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

利用粗糙集和支持向量机进行网络入侵检测

使用 RST 和 SVM 来检测入侵，通过使用 RST 预处理数据降低数据密度，并选择特征送入 SVM 进行学习和测试，方法有效降低数据密度，实验结果显示 RST 和 SVM 体系可以提高误警率和准确度。

Apr, 2010

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

机器学习和多个数据集的入侵检测系统

该研究论文探讨了通过机器学习和超参数调整来改进增强型入侵检测系统，以应对现代人工智能技术对当前网络安全系统的威胁，并通过多数据集集成方法评估了多个机器学习模型的性能.

Dec, 2023

一种使用深度学习进行 SDN 网络入侵检测的新方法：未来方法

该研究探讨了如何在软件定义网络（SDN）的背景下，使用网络入侵检测系统和深度学习算法进行攻击检测和提高网络安全性能。结果表明，该方法通过结合多种深度学习算法，成功地进行了二分类任务，并取得了显著的检测成果。

Aug, 2022

基于机器学习的物联网应用入侵检测系统

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

基于机器学习的网络入侵检测在大规模和不平衡数据上的应用：过采样、堆叠特征嵌入和特征提取

我们介绍了一种基于机器学习的网络入侵检测模型，使用随机过采样处理数据不平衡并基于聚类结果进行堆叠特征嵌入，以及使用主成分分析进行维度约简，特别适用于大规模和不平衡的数据集，并在三个现阶段的基准数据集：UNSW-NB15、CIC-IDS-2017 和 CIC-IDS-2018 上进行了评估，结果表明该模型的性能持续优于现有技术，证明了该方法在网络入侵检测领域的重要进展和有效性。

Jan, 2024

基于集成学习的入侵检测系统保护雾计算物联网环境

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

可解释的入侵检测系统 (X-IDS)：当前方法、挑战和机会的调查

应用人工智能和机器学习于网络安全已有广泛应用，特别是使用深度学习技术设计的 IDS. 然而，这些系统被视为黑盒模型，无法提供预测的合理解释。因此，需要设计可解释的 IDS，调查了可解释 AI 的现状，并提出了一种人们参与的通用架构，以用作设计 X-IDS 的指导

Jul, 2022

基于异常的网络入侵检测数据集基准测试：KDD CUP 99 替代方案

本文研究了机器学习在基于异常的网络入侵检测系统 (A-NIDS) 中的应用，并发现使用 KDD-99 数据集进行研究存在偏差。通过比较许多分类模型的性能，以及使用 SMOTE 过采样技术和随机欠采样技术来创建一个平衡的 NSL-KDD 数据集，我们证明了数据偏斜会影响分类模型的准确性，从而导致潜在的安全风险。我们探索了一个现代的替代品 UNSW-NB15，并发现在二元情况下，使用 SMOTE 进行训练后的 UNSW-NB15 数据集可以与 NSL-KDD 和 KDD-99 相匹配或超过加权 F1 分数，因此值得被使用作为现代替代品。

Nov, 2018