SecureBERT 和 LLAMA 2 增强的控制区网络入侵检测和分类

Nov, 2023

SecureBERT 和 LLAMA 2 增强的控制区网络入侵检测和分类

SecureBERT and LLAMA 2 Empowered Control Area Network Intrusion Detection and Classification

Xuemei Li, Huirong Fu

TL;DR使用预训练的 Transformer 模型进行 CAN 入侵检测的实验中，我们开发了两个不同的模型: CAN-SecureBERT 和 CAN-LLAMA2，其中 CAN-LLAMA2 的性能超过了现有的模型，准确率达 0.999993，F1 得分高，误报率只有 3.10e-6，是现有模型的 52 倍小。我们的研究强调了基于大型语言模型的潜力，同时结合适配器实现其他网络安全任务，保持模型自身的语言能力。

Abstract

Numerous studies have proved their effective strength in detecting Control Area Network (CAN) attacks. In the realm of understanding the human semantic space, transformer-based models have demonstrated remarkable effectiveness. Leveraging pre-trained transformers has become a common st

control area network can attacks transformer-based models adaptability evaluation intrusion detection

发现论文，激发创造

运用大型语言模型革新网络威胁检测

本文介绍了 SecurityLLM，它是一个旨在检测网络安全威胁的预训练语言模型，其中 SecurityBERT 作为网络威胁检测机制，而 FalconLLM 则是一种事件响应和恢复系统，实验结果表明，我们的 SecurityLLM 模型可以在 98% 的准确率下识别 14 种不同类型的攻击。

Jun, 2023

CANAL -- 基于经验法的网络活动新闻预警语言模型与高成本 LLM 的对比

我们的研究提出了一个新的经验性框架，利用 BERT 模型解析和分类新闻文章中的网络相关信息，提高市场利益相关者的实时警惕性。该框架通过使用基于随机森林的新型银标签方法，将其命名为 CANAL（网络活动新闻警报语言模型），以进行网络分类。我们将 CANAL 与更大、更昂贵的 LLMs 进行了对比，并突出了它们在网络新闻分类中的零到少训练的学习能力。CANAL 在准确性和成本效益方面表现出卓越的性能。此外，我们引入了网络信号发现模块，这是一个高效检测新闻文章中新兴网络信号的战略组件。综合而言，CANAL 和网络信号发现模块使我们的框架能够为需要快速响应网络情报的企业提供稳健且经济高效的解决方案。

May, 2024

SecureBERT：面向网络安全的领域特定语言模型

本文提出了一个名为 SecureBERT 的新的自然语言处理模型，该模型已使用机器学习算法在大量网络安全数据上进行了训练，能够自动处理网络安全文本（例如 CTI），并成功应用于自动化解决了许多重要的网络安全任务。

Apr, 2022

无线应用设计中的大型语言模型：具上下文学习增强的自动网络入侵检测

使用预训练 LLM 强化框架进行完全自动化网络入侵检测，通过在真实网络入侵检测数据集上进行实验，证明了在上下文学习方面的优势，可以在无需进一步训练或微调 LLMs 的情况下改善任务处理性能，GPT-4 的测试准确性和 F1 分数可以提高约 90%。此外，预训练 LLMs 在执行无线通信相关任务方面表现出巨大潜力，通过仅使用 10 个上下文学习示例，提出的框架可以在不同类型攻击中达到超过 95% 的准确性和 F1 分数。

May, 2024

监督式对比 ResNet 和迁移学习在车内入侵检测系统中的应用

本文提出了一种名为 SupCon ResNet 的深度学习模型，用于在 CAN 总线上处理多种攻击识别，以及将转移学习技术应用于有限大小数据集的性能改进。在两个真实的汽车数据集上评估了该模型的能力，结果显示该模型比其他模型平均将四种攻击的整体假阴性率提高了四倍。此外，该模型通过使用转移学习，在存储限制和运行时间方面进行了改进。

Jul, 2022

探索高度量化的神经网络用于汽车 CAN 的入侵检测

利用定制量化的多层感知器（CQMLP）作为多类分类建模，可以在控制器区域网络（CAN）消息的正常流量中检测多个攻击，具有非常高的准确性，并且适用于关键 CAN 网络中的 ECU 集成。

Jan, 2024

SecureNet: DeBERTa 与大型语言模型在钓鱼检测中的比较研究

本研究探讨了大型语言模型（LLMs）在特定任务（如文本分类，特别是检测恶意内容）中的潜力和局限，并将其结果与最先进的 DeBERTa V3 模型进行对比。通过使用包括电子邮件、HTML、URL、短信和合成数据生成的综合公共数据集，我们系统地评估了这两种方法的潜力和局限，并展示了 LLMs 如何生成具有说服力的网络钓鱼邮件以及在此背景下两种模型的性能。我们的实验结果表明，基于变形金刚的 DeBERTa 方法是最有效的，其测试数据集（HuggingFace 网络钓鱼数据集）召回率（敏感性）达到 95.17%，紧随其后的是 GPT-4，召回率为 91.04%。通过我们的研究，我们提供了这些先进语言模型的有效性和稳定性的有价值的见解，并提供了详细的比较分析，以指导未来在加强检测和减轻网络钓鱼威胁方面的研究工作。

Jun, 2024

基于深度迁移学习的电动汽车网络入侵检测系统

本文提出了一个基于深度迁移学习的 IDS 模型，通过有效属性选择、设计基于深度迁移学习的 LeNet 模型，以及对现实世界数据的评估，实现了对 In-Vehicle Network 系统中的入侵检测，并在实验中展示了相对于其他模型更好的性能和检测准确性。

Jul, 2021

评估大型语言模型安全性的因果分析

这项研究提出了一个轻量级因果分析框架，应用于大型语言模型，分析其存在的安全问题，尤其是对抗性扰动和特洛伊攻击，并发现了对模型造成有害提示过拟合的现象，以及一种有效的特洛伊攻击方法。

Dec, 2023

车载 CAN 网络异常检测中监督学习与半监督学习的比较研究

本文基于大规模 CAN 网络流量数据，提取了有价值的特征，并全面比较了全监督机器学习和半监督机器学习方法在 CAN 消息异常检测方面的性能，提出了一种基于深度自编码器的半监督学习方法应用于 CAN 消息异常检测。通过广泛的实验，本文证明全监督方法通常优于半监督方法，其中，基于 XGBoost 的模型在准确度、精确度和 ROC AUC 等方面表现最佳，超过了文献中报道的其他方法。

Jul, 2022