本文提出了一种基于长短时记忆神经网络（LSTM）的无监督异常检测算法，通过使用一类支持向量机算法和支持向量数据描述算法来实现决策函数，可以适用于处理可变长度的数据序列，并实现了对 OC-SVM 和 SVDD 算法参数的联合训练和优化，同时提供了半监督和全监督框架的扩展，取得了显著的性能提升。

Oct, 2017

提出的模型介绍了新颖的深度学习方法，旨在创建可靠的入侵检测机制来帮助识别恶意攻击。通过三种方法构建了基于深度学习的解决方案框架，该模型在 NSL-KDD 数据集上进行了评估和多种攻击分类，并且相对于其他现有的浅层机器学习和深度学习模型，在准确性、检测率和低误报率方面都表现出色。

Oct, 2023

本文介绍了一种称为 Independently Recurrent Neural Network 的新型递归神经网络，其具有分层连接、神经元不相互依赖以及可适用于非饱和激活函数等特点，实验结果表明该网络较传统的递归神经网络、长短时记忆网络在多种任务上表现更好。

Mar, 2018

该论文研究了循环神经网络和其变体在处理序列方面的强大性能，并提出了一种基于长短期记忆（LSTM）预测区间的控制图方法，用于监测具有时间变动性的数据，并表明该方法优于其他基于神经网络的预测监测方法，特别适用于检测平均值突变的异常情况。

Sep, 2023

本文提出了一种基于联邦学习的通信高效设备协作深度异常检测框架，使用注意力机制的 CNN-LSTM 模型对工业物联网的时间序列数据进行准确探测，并使用基于 Top-k 选择的梯度压缩机制来提高通信效率。该框架可通过实验研究发现，准确及时检测异常并比未使用梯度压缩方案的联邦学习框架减少 50％通信开销。

Jul, 2020

本文提出了一种实时的基于神经网络学习和特征操作的集体异常检测模型，该模型训练了一个 LSTM 循环神经网络来侦测网络数据的集体异常，实验结果表明该模型能够提供可靠和高效的集体异常检测方案。

Mar, 2017

本文介绍了在预测实际交通时检测和纠正异常值对深度序列模型的影响，探究了多个模型在异常数据预测方面的表现，实验结果表明 LSTM-En-De（长短时记忆编码器 - 解码器）是最佳的预测模型，并能通过清除异常值降低预测误差。

May, 2022

本文提出了一种以独立循环神经网络（IndRNN）为基础的新类型的 RNN，可避免梯度消失和爆炸等问题，进而学习并构建长期模式和深层网络。通过实验，IndRNN 相对于传统的 RNN，LSTM 和 Transformer 取得了更好的性能。

Oct, 2019

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

我们研究了在 IT 基础设施中的自动入侵检测问题，特别是根据基础设施的连续测量数据来识别攻击开始、攻击类型和攻击者采取的行动序列。我们应用了统计学习方法，包括隐马尔可夫模型（HMM）、长短期记忆（LSTM）和随机森林分类器（RFC），将观测序列映射为预测的攻击行动序列。与大多数相关研究不同的是，我们有丰富的数据来训练模型并评估其预测能力。数据来自我们在一个内部测试平台上运行攻击以模拟 IT 基础设施的跟踪记录。我们的工作的核心是一个机器学习流水线，将来自高维观测空间的测量映射到低维度空间或一组小的观测符号。通过离线和在线场景对入侵进行研究，我们发现 HMM 和 LSTM 都能有效预测攻击的开始时间、攻击类型和攻击行动。如果有足够的训练数据，LSTM 的预测准确率高于 HMM。另外，我们发现我们研究的方法可以受益于由 SNORT 等传统入侵检测系统产生的数据。

Feb, 2024