本研究提出了一种基于深度学习模型的日志分析方法，旨在提高系统和网络安全韧性，能够学习和改进自身，识别异常日志条目并忽略错误报警。

Mar, 2022

本文提出了一种基于联邦学习的移动数据透明度解决方案，通过在保护个人隐私的前提下，让移动设备协作训练一个全球模型，从而实现网络基础的数据包分类任务，诸如 PII、广告请求等。

Jul, 2019

近年来恶意软件攻击中使用加密的 HTTP 流量进行自我传播或通信的数量急剧增加。本文应用三种机器学习技术来区分恶意加密的 HTTP 流量与良性加密流量，并获得与以往研究相当的结果。同时，我们详细考虑特征分析问题，并证明可直接从机器学习模型中获取与特征相关的信息。我们认为这种基于机器学习的特征分析方法更可靠，例如我们可以发现相对非直观的特征之间的相互作用。

Dec, 2023

本文介绍了一个基于机器学习文本分类器的新技术管道，并应用于公共垃圾邮件语料库中，优化参数选择和改善预处理阶段中特定方法的模型表现，评估了不同评估指标，如精确度，召回率等，最终发现可在 Enron 数据集上实现 94％的 F-Score，得出关键词包括自然语言处理、垃圾邮件过滤。

Apr, 2022

本文通过实证研究两个组织的真实数据，量化了过滤对于预测网络攻击可预测性的影响，发现过滤降低了网络攻击的可预测性，由于入侵事件的数据过少且具有不同于总数据集的生成过程，使得预测模型更加困难。

Apr, 2020

我们设计了在垃圾邮件过滤中的后门攻击，通过揭示机器学习模型供应链上的潜在漏洞，突出了在垃圾邮件过滤器中使用的模型需要进行仔细考虑和评估的需求。我们的结果表明，后门攻击可以有效地用于发现垃圾邮件过滤器的漏洞，并提出了对该领域的持续监测和改进的需求。

Jul, 2023

本研究使用机器学习模型，针对特定网站进行探测，以极大地提高检测域名系统屏蔽的效率。同时，使用有监督和无监督模型，以便从不同的监测平台中学习检测启发式，发现新的屏蔽实例和阻断标志，并证明这些方法能够揭示大量被现有启发式方法忽略的新 DNS 屏蔽签名。

Feb, 2023

该篇文章研究了如何使用机器学习模型检测感染计算机的 HTTP (S) 流量，并提出了一种新的磁盘鉴别模型，该模型基于预定义时间窗口内的计算机流量进行决策，克服了传统方法中需要庞大、多样化的标签数据的限制，提高了准确性和自动化学习的能力。

Mar, 2017

本文介绍一种利用多实例学习从计算机网络的 HTTP 流量中识别感染计算机的模型，相较于基于人工设计特征以及基于卷积神经网络自动学习特征的方法，在未见数据的情况下更加准确地识别感染计算机，并为安全研究人员提供有价值的反馈。我们相信这种模型框架的应用不仅限于安全领域。

Feb, 2020

提出了一种基于无监督深度学习的在线异常检测方法，通过分解异常得分，帮助分析员识别潜在的内部威胁活动，实现了减轻分析员负担的目标。在 CERT Insider Threat Dataset v6.2 上的表现证明，该方法可以显著提高威胁检测的召回率。

Oct, 2017