智能入侵检测系统的可重构边缘硬件：系统性方法

Apr, 2024

智能入侵检测系统的可重构边缘硬件：系统性方法

Reconfigurable Edge Hardware for Intelligent IDS: Systematic Approach

Wadid Foudhaili, Anouar Nechi, Celine Thermann, Mohammad Al Johmani, Rainer Buchty...

TL;DR本文分析智能入侵检测系统（I-IDS）的概念，并针对边缘设备的特定需求以及可重构性等多个方面挑战，介绍了一种在可重构边缘硬件上构建智能入侵检测系统的系统化方法，通过实现所提出的纯 FPGA 数据流处理器（DFP）和以 RISC-V 软核为特色的基于 FPGA 的软核处理器（SCP）的共同设计方法，比较了该领域的现有技术。结果表明，DFP 和 SCP 在硬件资源和能量效率方面都适用于边缘应用，所提出的 DFP 解决方案明显优于现有技术，并且在不会引起过高硬件成本的情况下实现了所需的高性能，使其适用于现代通信技术等边缘高速应用。

Abstract

intrusion detection systems (IDS) are crucial security measures nowadays to enforce network security. Their task is to detect anomalies in network communication and identify, if not thwart, possibly malicious behavior. Recently, machine learning has been deployed to construct

intrusion detection systems intelligent ids edge setups reconfigurability fpgas technology

发现论文，激发创造

轻量级基于 FPGA 的汽车 CAN 网络 IDS-ECU 架构

提出了一种基于混合 FPGA 设备的集成化汽车控制器区域网络 (IDS) 架构，采用两个量化的多层感知器 (QMLP)，加速利用 Xilinx 的深度学习处理单元 (DPU) IP 块进行攻击检测，达到了最先进的分类准确性和降低功耗的效果。

Jan, 2024

可解释的入侵检测系统 (X-IDS)：当前方法、挑战和机会的调查

应用人工智能和机器学习于网络安全已有广泛应用，特别是使用深度学习技术设计的 IDS. 然而，这些系统被视为黑盒模型，无法提供预测的合理解释。因此，需要设计可解释的 IDS，调查了可解释 AI 的现状，并提出了一种人们参与的通用架构，以用作设计 X-IDS 的指导

Jul, 2022

基于混合 FPGA 的轻量级多攻击 CAN 入侵检测系统

车辆之间越来越多的连接性正在提供新的功能，如连接的自动驾驶和先进的驾驶辅助系统（ADAS），以改善下一代车辆的安全性和可靠性。本文提出了一种轻量级的多攻击量化机器学习模型，使用 Xilinx 的 Deep Learning Processing Unit IP 在 Zynq Ultrascale+（XCZU3EG）FPGA 上部署，使用公共 CAN 入侵检测数据集进行训练和验证。该模型能够以 99% 以上的准确率检测到拒绝服务和模糊攻击，并且误报率仅为 0.07%，与文献中的最先进技术相当。入侵检测系统的执行仅消耗 2.0 W 的功率，在 ECU 上运行的软件任务可以缩短消息处理延迟 25%，与最先进的实现相比。这种部署方式允许 ECU 功能与入侵检测系统共存，并且对任务的改动非常小，非常适合用于车载系统中的实时入侵检测。

Jan, 2024

基于集成学习的入侵检测系统保护雾计算物联网环境

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

基于深度置信网络的联邦入侵检测系统

研究使用基于联邦学习的入侵检测系统解决物联网领域中的数据安全和隐私问题，并且实验结果表明，在使用预先训练的初始全局模型的情况下，相比随机初始化的全局模型，模型性能提高了 20% 以上（F1 得分）

Jun, 2023

基于深度学习的汽车 CAN 嵌入式入侵检测系统

提出了一种基于 FPGA 的 ECU 方法，通过专用的现成硬件加速器实现深度卷积神经网络入侵检测模型，平均准确率超过 99％，在多个攻击数据集中的误检率为 0.64％，并且相比于 GPU 上的 IDS 实现，在能量消耗上降低了 94％，每个消息的处理延迟降低了 51.8％。

Jan, 2024

轻量级入侵检测的去中心化在线联邦 G 网络学习

本研究提出了一种新颖的分散和联合学习入侵检测体系结构（DOF-ID），该体系结构利用机器学习技术，不需要公开其他系统的数据集即可学习，通过 DOF-ID 的平均评估结果表明，DOF-ID 可以同时显著提高所有协作节点的入侵检测性能。

Jun, 2023

基于特征选择和集成分类器构建高效入侵检测系统

本文提出了一种新的基于特征选择和集成学习技术的入侵检测框架，使用 NSL-KDD、AWID 和 CIC-IDS2017 数据集进行实验证明，CFS-BA-Ensemble 方法在多个指标下具有更优越的性能。

Apr, 2019

用于汽车网络低功耗入侵检测系统的量化神经网络加速器

探索低功耗定制量化的多层感知器作为用于汽车控制器局域网络（CAN）的入侵检测系统（IDS），利用 AMD/Xilinx 的 FINN 框架对我们的 MLP 进行量化、训练和生成硬件 IP，使用集成 IDS 功能的 ZCU104 (XCZU7EV) FPGA 作为目标 ECU 架构，以侦测 CAN 网络上的拒绝服务（DoS）和模糊攻击。我们的方法在处理延迟（每条消息处理延迟为 0.12 毫秒）和推理能耗（每次推理消耗 0.25 毫焦耳）方面取得显著的改进，并且在分类性能方面与文献中的最新方法相当。

Jan, 2024

基于机器学习的物联网应用入侵检测系统

本文研究了使用机器学习分类算法以保证物联网 (IoT) 不受拒绝服务攻击 (DoS) 的前景。评估了流行数据集 CIDDS-001， UNSW-NB15 和 NSL-KDD 用于分类器的基准测试，并使用 Friedman 和 Nemenyi 测试来分析分类器之间的显着差异。最终提出了建议，以应用程序要求选择最佳分类器。

Feb, 2023