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

本文通过采用不同的基于学习的模型来检测网络攻击，演示了无监督表示学习模型在二进制入侵检测任务中的优势，并使用 SVM-SMOTE 过采样技术缓解了 4 类分类中的数据不平衡问题，并进一步展示了过采样机制的有效性及其深入神经网络基础模型的缺陷。

Aug, 2021

本研究提出了一种新的用于无人机网络的入侵检测系统，采用二元元组表示来编码类别标签，结合基于深度学习的方法进行分类，通过捕捉复杂的类别关系和时序网络模式来增强入侵检测能力，并通过对不同无人机共同特征的交叉相关研究来排除可能误导入侵检测分类的相关特征。使用 UAV-IDS-2020 数据集进行了完整的实验研究，并使用不同的评估指标评估了所提出的入侵检测系统的性能，实验结果显示了所提出的多类别分类器模型的 95% 准确率。

Jun, 2024

在这项研究中，我们提出了一个基于单类分类的入侵检测系统结构，并使用多分类机制和聚类算法嵌入二级模型中。该框架不仅可以识别未知攻击，还可以利用它们对未知攻击进行再训练，从而使模型能够随着新的威胁模式的出现而进化。通过在第一层使用单类分类器（OCC），我们的方法规避了攻击样本的需求，解决了数据不平衡和零日攻击的问题。我们的研究表明，这个框架在实际部署中具有很大的潜力。

Mar, 2024

我们的工作集中于创建分类模型，以数据集为基础，该数据集包含使用 MQTT 协议的 IoT 系统遭受攻击的帧，以提高入侵检测系统的性能。我们研究了集成方法和深度学习模型两种分类攻击的方法，并取得了非常令人满意的结果。

Feb, 2024

通过半监督学习技术开发入侵检测系统，建立了两种策略：1）使用随机和均匀分布的合成攻击样本训练有监督机器学习模型；2）构建一种仅基于良性网络流量训练的一类分类模型。实验证明，基于最先进的异常检测技术 usfAD 的一类分类模型在考虑真实场景并要检测先前未见的攻击时优于传统的有监督分类和其他一类分类技术。

Mar, 2024

我们介绍了一种基于机器学习的网络入侵检测模型，使用随机过采样处理数据不平衡并基于聚类结果进行堆叠特征嵌入，以及使用主成分分析进行维度约简，特别适用于大规模和不平衡的数据集，并在三个现阶段的基准数据集：UNSW-NB15、CIC-IDS-2017 和 CIC-IDS-2018 上进行了评估，结果表明该模型的性能持续优于现有技术，证明了该方法在网络入侵检测领域的重要进展和有效性。

Jan, 2024

该研究回顾了当代文献，针对支持向量机（SVMs）作为分类器的不同类型的入侵检测技术进行了综合调查，并仅关注在网络安全领域中最广泛使用的两个数据集：KDDCUP'99 和 NSL-KDD 数据集。研究人员提供了每种方法的总结，确认了 SVMs 分类器的作用并列出了涉及到的所有其他算法，并以表格形式对每种方法进行了重要评论，这些评论强调了评估指标，优点和局限性。

Sep, 2022

本研究利用循环神经网络的性能，构建了一个强大的系统调用序列 - 序列预测模型，提出了一种新的入侵预测方法。实验结果表明，该方法在入侵检测测试数据集上取得了良好的预测性能，并通过与各种分类器进行验证，使预测序列与已知调用的系统追踪结合，显著提高了入侵检测的性能。

Aug, 2018

提出使用 S2CGAN-IDS 框架解决 IoT 网络中长期存在的类不平衡问题，通过利用网络流量的分布特征在数据空间和特征空间扩展少数类，保证多数类的检测精度的同时，显著提高少数类的检测率，实验结果表明，与优越方法相比，该方法在精度和召回率方面均表现优异，并且 F1 得分有 10.2% 的提高。

Jun, 2023