本研究提出了一种基于深度学习的新型分布式拒绝服务攻击检测方法，利用新不伦瑞克大学 DDoS 评估数据集中的实时 DDoS 攻击数据来构建一个更广泛和更适用于现实世界的模型。该模型通过提取数据流并将其归一化到一个固定长度，然后通过自定义架构进行二进制分类，利用卷积神经网络和常见的深度学习算法实现分类和减轻 DDoS 流量的技术。结果表明，该算法在网络流量中检测 DDoS 攻击方面表现出很高的准确性，针对 2000 个未见过的流量达到了 0.9883 的准确率，并且可在任何网络环境中扩展应用。

Sep, 2023

提出了一种将网络流量数据转换为图像并利用卷积神经网络（CNN）对恶意攻击进行监测的方法，其具有 99.99％的检测精度和 87％的平均精度，可用于 Internet of Things（IoT）设备的安全保障。

Dec, 2020

提出了一种新的对抗样本解决方案，该方案通过随机破坏样本中的特征，阻止攻击者构建有影响力的对抗样本，从而显著提高深度神经网络对抗样本的鲁棒性，同时保持高分类准确性。

Oct, 2016

本文提出了 Deep Over-sampling（DOS）方法，它通过显式的、受监督的表示学习扩展了合成过采样方法，以利用卷积神经网络获取的深度特征空间，并通过 CNN 的训练和更新目标的迭代过程，使嵌入之间的类内方差较小，从而提高了深度表示的判别力。实验证明，DOS 框架不仅能够更好地解决类别不平衡问题，而且在标准平衡环境下还能提高 CNN 的性能。

Apr, 2017

本研究提出使用神经网络检测 DDoS 攻击，区分恶意和合法数据流，从而防止网络性能下降。该系统精度高达 99.7％。

Jan, 2022

使用 Synthetic Minority Over-sampling Techniques (SMOTE) 算法，就 Bot-IoT 数据集的类别不平衡问题进行了研究，并提出了能够检测攻击数据包并克服类别不平衡问题的二分类方法。通过数值结果，论文展示了所提出分类器的基本特征以及不平衡数据对其性能的影响。

Mar, 2024

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

介绍了一种基于深度学习的新技术，用于检测分布式拒绝服务攻击，在各种攻击模式中通过几何和角度相似性度量改善检测准确性。使用离线训练、模拟在线训练和原型网络场景进行了全面评估，表明该模型在不同数据充裕和稀缺条件下具有稳健性。

Jun, 2024

信用卡欺诈检测是金融领域的一个重要挑战，需要使用先进的方法准确识别欺诈交易。本研究提出了一种创新的方法，将神经网络（NN）和合成少数类过采样技术（SMOTE）结合起来，以提高识别性能。该研究解决了信用卡交易数据中存在的不平衡问题，专注于技术的进步，用于强大而准确的欺诈检测。结果表明，相比传统模型，NN 和 SMOTE 的整合在精确度、召回率和 F1 得分方面表现出优越性，凸显其作为处理不平衡数据集的信用卡欺诈检测场景中的先进解决方案的潜力。本研究为开发有效和高效的机制来保护金融交易免受欺诈活动的努力做出了贡献。

Feb, 2024

提出使用 S2CGAN-IDS 框架解决 IoT 网络中长期存在的类不平衡问题，通过利用网络流量的分布特征在数据空间和特征空间扩展少数类，保证多数类的检测精度的同时，显著提高少数类的检测率，实验结果表明，与优越方法相比，该方法在精度和召回率方面均表现优异，并且 F1 得分有 10.2% 的提高。

Jun, 2023