- 5G 及其后续 V2X 网络中的零日攻击检测的联邦学习
利用深度自编码器方法检测基于良性网络流量模式的攻击,通过联邦学习训练侵入检测系统,同时保护 CAVs 的隐私并减少通信开销。在最新的网络流量数据集上进行的深入实验表明,该系统实现了高检测率,并最小化误报率和检测延迟。
- 增强物联网安全的前沿深度学习方法
提出了一种创新性的基于深度学习的卷积神经网络和长短期记忆网络的物联网环境入侵检测系统,在 CICIDS2017 数据集上实现了 99.52% 的准确率,具有实时处理能力、可扩展性和低虚警率,成功应用于当今的物联网网络,对自适应学习技术和跨领 - 入侵检测的新方法:利用 GAN-MSCNN-BILSTM 和 LIME 预测
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 - 基于区块链的物联网系统蜜罐的战略部署
使用具有智能合约功能的入侵检测系统,将普通节点转化为诱饵来应对可疑活动,从而加强区块链物联网网络的安全性;利用贝叶斯博弈的策略分析潜在攻击者与增强型入侵检测系统之间的交互作用,重点关注并预测外部攻击,并强调在面对不断演变的攻击模式时的策略决 - 入侵检测系统的分层分类:有效设计与实证分析
通过使用三级分层分类模型对各种网络攻击进行分类,我们的实证结果表明,相对于平级分类方法,分层分类方法在避免将攻击误分类为正常流量方面具有显著优势。
- 基於 usfAD 的高效未知攻擊檢測專注 IDS 框架
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 - 基于混合哈里斯鹰和多层感知机的有效网络入侵检测方法
利用哈里斯鹰优化算法(HHO)来优化多层感知机学习的入侵检测系统(IDS),通过优化偏差和权重参数选择最优参数以减少网络入侵检测错误,实验证明 HHO-MLP 方法能有效识别恶意模式并在准确率、敏感度和特异度方面表现优异。
- IDS 中利用孔雀交配概念进行特征选择
该研究论文提出了一种基于云计算的入侵检测系统,利用具有高度性能、低成本、可伸缩性和灵活性的云服务来确保信息安全,并使用将孔雀的交配行为纳入优化算法的特征选择算法来减少云数据的规模,以提高入侵检测系统的效率。该研究使用了 NSL-KDD 数据 - 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 (XCZU7 - 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。
- 机器学习和多个数据集的入侵检测系统
该研究论文探讨了通过机器学习和超参数调整来改进增强型入侵检测系统,以应对现代人工智能技术对当前网络安全系统的威胁,并通过多数据集集成方法评估了多个机器学习模型的性能.
- 区块链大语言模型
TXRANK 是一种动态、实时的检测异常区块链交易的工具,它不依赖于预定义规则或模式,并通过实时 Intrusion Detection System 识别以太坊中的异常交易,从而在区块链交易分析领域做出了贡献。
- 深度迁移学习在入侵检测系统中的应用:综述
本文重点介绍了基于深度迁移学习的入侵检测系统 (IDS), 特别是在工业控制网络中的应用。通过回顾相关文献,介绍了不同类型的数据集,DTL 使用的种类,预训练网络,IDS 技术以及评估指标等,经过不同研究的比较分析,证明了基于 DTL 的 - 通过联邦学习进行异常检测
本文提出了一种新型的通过联邦学习来检测客户端服务器上有害网络活动的异常检测器,使用自编码器和分类器来判断网络活动是否良性或恶意,研究表明,联邦学习使得全局模型能够从每个客户端的数据中学习,并为每个客户端提供了改善其入侵检测系统防御网络攻击的 - 监督式对比 ResNet 和迁移学习在车内入侵检测系统中的应用
本文提出了一种名为 SupCon ResNet 的深度学习模型,用于在 CAN 总线上处理多种攻击识别,以及将转移学习技术应用于有限大小数据集的性能改进。 在两个真实的汽车数据集上评估了该模型的能力,结果显示该模型比其他模型平均将四种攻击的 - 使用 EBGAN 进行异常入侵检测
该研究提出了一种基于 EBGAN 的入侵检测方法,IDS-EBGAN,旨在将网络记录分类为正常流量或恶意流量,该方法使用生成对抗网络(GANs)的强大建模能力解决网络流量巨大而复杂的问题,并采用重新构建误差的方法在测试阶段对流量记录进行分类 - 车内网络异常检测
本文讨论了 CAN 总线协议的安全问题,并提出了一种基于人工智能算法的入侵检测系统,旨在通过考虑时间序列特征和攻击频率来准确检测已知的网络攻击。
- MM学习网络入侵检测:一种数据驱动的方法
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 - MM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。
- VANET 的差分隐私协作入侵检测系统
本文提出了一种基于隐私保护机器学习的协作入侵检测系统(PML-CIDS),它可以通过应用分布式机器学习算法,实现 VANET 的高效安全检测,并通过差分隐私技术保护数据的隐私性。