我们提出了一种新颖的网络表示形式作为流图，旨在为入侵检测任务提供相关的拓扑信息，以及通过基于图结构的神经网络框架将通信流分类为恶意得分。我们还强调了传统评估程序可能存在的数据泄露问题，并提出了解决方案以确保入侵检测系统性能的可靠验证。通过实施提出的框架，证明利用基于流的图结构优于经典的基于机器学习和先前的基于图神经网络的解决方案。

Sep, 2023

这篇论文集中讨论了一种在计算机网络中识别和检测勒索软件的方法，该方法基于机器学习算法和对网络流量模式的分析，显示机器学习算法可以通过网络流量准确识别和检测勒索软件。

Jan, 2024

利用机器学习和数据挖掘技术增强网络安全，本文提出了一种新的技术，基于多个数据参数预测网络中即将发生的攻击，通过测试阶段的结果选择最佳模型，并提取可能导致攻击的事件类别。

Dec, 2023

利用机器学习方法，该研究介绍了一种高级网络流量分类系统，能够实时分析网络流量并识别各种网络服务类型。通过对网络流量中的模式进行分析，我们的方法将相似的网络流量归类为不同的网络服务，并将流量分解为多个小的流，每个流专门用于承载特定的服务。我们的机器学习模型基于包含不同网络服务类型的标记示例的数据集进行训练，并在评估中展现了出色的准确性。这些结果强调了将人工智能集成到无线技术中的巨大潜力，通过这种方法可以实现更高效的能源消耗、提供更好的服务质量保证以及优化网络资源的分配，为先进智能网络的发展打下坚实的基础。

Oct, 2023

该研究综述了基于图挖掘的网络安全领域，包括网络安全任务的概述、典型的图挖掘技术、应用于网络安全的一般过程以及不同网络安全任务的各种解决方案。同时，这篇综述还收集了基于图的网络安全开放数据集和工具包，并对未来的研究进行了展望。

Apr, 2023

讨论了机器学习在知识图谱上的应用以及实验评估了一种适用于工业系统的异常活动评分方法。该方法经过无监督训练后，能够在各种场景下生成直观易懂、可解释的警报，为利用知识图谱的关系式机器学习在入侵检测方面带来潜在的好处。

May, 2021

本文综述了网络流量分析和预测技术，包括神经网络、数据挖掘以及线性和非线性模型等方法，并总结了该领域的研究进展。

Jul, 2015

提出了一种受 Lockheed Martin 网络攻击链启发的新型 3 阶段入侵检测系统，用于检测复杂多步骤的攻击，通过第一个和第二个阶段的检测来预测第三个阶段的攻击，使用 ToN IoT 数据集，实现了平均 94% 的 F1 分数，性能优于基于随机森林模型的基准方法。

Apr, 2024

使用基于人工智能的自主端到端安全设计方法，通过检测网络流量异常，解决 5G 网络上物理设备的安全问题。本研究使用最近发布的 5G 流量数据集 5G-NIDD，并通过机器学习和深度学习方法来检测网络流量异常。通过可视化技术、数据降维、解决类别不平衡问题以及分类器的评估，我们得到了最佳结果，使用 K 最近邻分类器时准确率达到 97.2%，检测率为 96.7%，误报率为 2.2%。

Dec, 2023

本文介绍了一种基于深度神经网络和自回归时间序列模型的机器学习技术，利用公开 Web 资源的外部信号预测网络攻击，测试结果表明该方法在真实世界预测任务中显著提高了预测精确度，能够有效预防各种类型的网络攻击。

Jun, 2018