基于深度强化学习的不平衡数据分类模型，通过将分类问题视为顺序决策过程，使用深度Q学习网络解决。在奖励函数和有益的学习环境的指导下，该模型能够更有效地识别少数样本，具有优异的分类性能。
Jan, 2019
本文综述了应用深度强化学习方法来解决网络安全领域中的复杂、动态和高维防御问题的DRL方法，并强调了DRL在网络物理系统，自主入侵检测和通过游戏模拟来应对网络攻击的策略防御方面的价值，同时也提出了对未来DRL网络安全研究发展的建议。
Jun, 2019
该论文提出了一种名为PolicyCleanse的方法来检测强化学习中的后门攻击，并设计了一种基于机器学习的方法来缓解检测出的后门攻击，实验证明该方法在各种类型的环境和智能体中优于现有后门缓解基线方法至少3%的胜率。
Feb, 2022
本文介绍了一种名为irs-partition的IRS软件原型，利用保护系统的分区和深度Q网络来解决维护系统增长的问题，并利用转移学习来跟踪非稳态系统的演变。
本文提出了一种基于多目标强化学习的自动化渗透测试方法，包括Chebyshev分解批评家和覆盖率屏蔽机制，可在更短的时间内发现多样化的攻击策略，提高测试效率和准确性。
本文综述了深度强化学习在网络安全领域中的多种应用，尤其集中于网络威胁检测和终端保护。
Jun, 2022
本论文旨在提出一种基于可解释性竞争学习的入侵检测系统框架，该框架使用诸如自组织映射、生长自组织映射和生长分层自组织映射等算法建模，并能通过数据挖掘生成统计和可视化的解释，较黑盒模型更具解释力和提高了预测速度。
Mar, 2023
实现并评估了一种基于强化学习的自动化网络防御代理程序，该代理以安全警报作为输入并使用强化学习学习执行预定义的防御措施的策略，使用攻击图模拟网络攻击的环境中，被攻击者执行保护任务。该方法通过使用不同大小的攻击图、攻击者攻击策略和不同的检测系统噪声来进行评估。实验表明，通过强化学习训练的防御代理程序的性能优于使用启发式策略的代理程序，并能够概括不同的攻击者策略。
Apr, 2023
本文探讨了基于机器学习的入侵检测系统在准确度不确定性方面的挑战和应用，强调了准确度不确定性对提高ML-IDS的可信度的重要性，并通过对网络入侵检测领域的不同ML方法进行比较和验证，表明准确度不确定性的适当估计可以显著增强ML-IDS的可信度。此外，结果还确认传统基于前馈神经网络的ML方法可能不适合在网络入侵检测中使用。
Sep, 2023
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