本文探讨了深度学习应用程序遭受的延迟攻击，并提出了一种新的框架名称为 Overload，用于在物体检测中生成这种攻击。实验结果表明，相比现有方法，我们的攻击方法更简单更有效。

Apr, 2023

本文提供了对不同算法家族的主要在线探测器的质量、综合概述，包括构建、更新和测试探测模型的主要思想，并提供了在线检测算法与离线对应算法的结果定量实验评估的彻底分析，以及对数据集（即元特征）的各种特征进行统计分析。

Sep, 2022

本文提出了一种基于逆累积分布的在线异常检测算法，用于现有实时基础设施中低延迟检测，适用于不可预测的数据模式，并在两个实际微电网操作数据案例中展示了易于使用、快速计算和可部署的优势。

Jan, 2023

本文研究了实时流数据下的异常检测技术，旨在提供一个有关性能与准确性表现的选择指南。该研究总结了一系列各领域应用的生产数据集，并阐述了现有技术在实时数据流上无法直接应用的问题。

Oct, 2017

介绍了一种新的 SoftED 方法，旨在为软事件检测方法提供评估指标，同时结合时间和邻近检测的时间容忍度，以提高事件检测的评估准确性，得到领域专家的认可。

Apr, 2023

本文针对员工内部威胁检测进行研究，提出了一种实时活动层面的细粒度高效 LAN 框架，通过图结构学习同时学习活动序列内的时间依赖性和序列间的活动关系，采用混合预测损失来解决数据不平衡问题，实验表明 LAN 在实时和事后内部威胁检测中的性能优于其他基线方法。

Mar, 2024

本文针对网络环境下的异常检测问题，通过系统分析已有的公共和私有基准数据，探索了其时态性、多变量性和空间属性特征，并提出了基于聚类的简化标注方法，实验结果为 2-10 倍。

Nov, 2022

本研究通过实证比较最近的入侵检测系统，以客观比较它们，帮助用户根据需求选择最合适的解决方案。我们的结果表明，没有一个解决方案是最好的，而是依赖于外部变量，如攻击类型、复杂性和数据集的网络环境。因此，虽然我们发现深度神经网络在测试数据集上具有最高的平均 F1 分数，但它并不总是表现最好的。我们进一步讨论了来自文献和项目存储库的使用入侵检测系统的困难，这使得对于入侵检测系统选择的明确结论变得复杂。

Mar, 2024

该论文提出利用 NSL-KDD 数据集，结合多个学习器构建集成学习器，提高入侵检测的准确度，在雾到终端架构中实施两个级别的分类，实现入侵检测与精确预防的目的，实验结果表明该 IDS 比其他最先进的方法在该数据集上更为有效。

Jan, 2019

该研究论文提出了一种关联时间异常检测模型（RTAnomaly），该模型结合了指标的关联和时间信息，通过图注意力层学习指标之间的依赖关系，并利用正无标签学习来解决训练数据中潜在异常的问题。实验证明，RTAnomaly 在公共数据集和两个工业数据集上表现优于基准模型，平均 F1 得分为 0.929，Hit@3 为 0.920。

Jul, 2023