Jun, 2024

入侵检测的新方法：利用 GAN-MSCNN-BILSTM 和 LIME 预测

PDF
TL;DR通过生成对抗网络（GANs）、多尺度卷积神经网络（MSCNNs）和双向长短期记忆（BiLSTM）网络，以及与 Local Interpretable Model-Agnostic Explanations（LIME）进行解释性补充，引入、创新了一种入侵检测系统。该系统生成真实的包含正常和攻击模式的网络流量数据，通过 MSCNN-BiLSTM 架构进行入侵检测。MSCNN 层从不同尺度的网络流量数据中提取特征，而 BiLSTM 层捕获流量序列中的时间依赖关系。整合 LIME 可解释模型的决策。在 Hogzilla 数据集上的评估展示了多类分类和二分类的令人印象深刻的准确率，分别为 99.16％和 99.10％，同时通过 LIME 保证了可解释性。通过结合深度学习和可解释性，为提高入侵检测系统的透明度和决策支持提供了一个有前途的途径。
intrusion detection systemgenerative adversarial networksmulti-scale convolutional neural networksbidirectional long short-term memory networkslocal interpretable model-agnostic explanations
发现论文，激发创造
  • 利用 LSTM 和 GAN 进行现代恶意软件检测

    该研究使用深度学习模型、LSTM 网络和 GAN 来提高恶意软件检测的准确性和速度，通过 VirusShare 数据集的训练和评估，表明深度学习在主动网络安全防御中发挥着决定性的作用。此外，研究还探讨了集成学习和模型融合方法对减少偏差和提高模型复杂性的影响。

    May, 2024

  • 利用 CNN 和 LSTM 提升物联网安全性的入侵检测系统

    提出了一种结合卷积神经网络（CNN）和长短期记忆（LSTM）深度学习模型的入侵检测系统（IDS）模型，用于保护物联网设备免受网络攻击的伤害，通过利用 CNN 的空间特征提取功能进行模式识别和 LSTM 的顺序记忆功能进行复杂时序依赖分析，实现了高精度和高效率的物联网流量检测和分类，验证结果表明该模型对于物联网环境的网络威胁具有很好的防御效果。

    May, 2024

  • 使用双向 LSTM 和卷积神经网络混合模型进行智能家居网络入侵检测系统

    本文研究智慧型家居的物聯網（IoT）系統中的安全問題，提出了一種基於雙向長短期記憶（BiLSTM）和卷積神經網絡（CNN）的混合模型的入侵檢測系統，可應用於任何智慧型家居網關。

    May, 2021

  • 使用机器学习技术的物联网系统恶意软件检测

    提出了一种 CNN-LSTM 混合模型，用于物联网恶意软件识别，并使用 K 折交叉验证评估了其性能，其准确率达到 95.5%，超越了现有方法。研究表明，CNN 算法有助于构建学习模型，而 LSTM 分类器在分类方面表现出了更高的准确性。与普遍技术的比较分析证明了所提模型的有效性，突出了其提升物联网安全性的潜力。该研究主张进一步探索支持向量机作为替代方案，强调了分布式检测策略的必要性，并强调了预测分析对于更强大的物联网安全性的重要性。该研究为在物联网生态系统中制定更具韧性的安全措施提供了平台。

    Dec, 2023

  • 基于深度学习方法的提升入侵检测性能的多攻击分类模型

    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

  • GLIMS：注重注意力的轻量级多尺度混合网络用于体积语义分割

    GLIMS 是一种数据效率高、注意力引导的混合体积分割网络，利用了 Dilated Feature Aggregator Convolutional Blocks (DACB)，并结合了 Swin Transformer-based bottleneck，通过 Channel 和 Spatial-Wise Attention Blocks (CSAB) 实现了注意力引导分割方法，证明了其在复杂性和准确性方面的出色表现。

    Apr, 2024

  • 基于 MIM-GAN 的多元时间序列数据异常检测

    基于信息重要性度量的生成对抗网络的多时间序列异常检测算法具有优越的准确率、召回率和 F1 分数。

    Oct, 2023

  • LuNet：用于网络入侵侦测的深度神经网络

    在大规模网络中及时捕捉侵入是十分具有挑战性的，本论文针对网络数据的时空特征，提出了一种层级卷积神经网络 + 循环神经网络，名为 LuNet 的机器学习方法能够更加准确地检测网络入侵，而且假警报率更低。

    Sep, 2019

  • DRL-GAN: 一种二进制和多类网络入侵检测的混合方法

    本文研究如何使用生成对抗网络合成的数据来训练深度强化学习模型，实现对于网络入侵检测中罕见攻击类型的有效分类。研究结果表明，使用特定合成数据集进行 DRL 模型的训练可比使用真实数据集得到更佳的分类表现。

    Jan, 2023

  • 基于卷积神经网络的生物特征验证的可解释模型无关算法

    本文采用 Local Interpretable Model-Agnostic Explanations（LIME）人工智能方法，在生物识别验证环境下进行了适应性改进，通过余弦相似度来实现可解释性，并且展示了针对移动网络和 ResNet50 的人脸生物识别的两种 CNN 模型。

    Jul, 2023