关键词network intrusion detection systems
搜索结果 - 13
- 神经符号 AI 在网络入侵检测中的协同方法
融合神经符号人工智能（NSAI）和传统网络入侵检测系统（NIDS）的研究，通过分析网络流量数据类型和机器学习架构，展示了 NSAI 在提供对网络行为更深入洞察力方面的独特能力，从而改善了检测性能和系统的适应性。这种技术的融合不仅增强了传统 - 推进网络入侵检测：将图神经网络与散射变换和节点嵌入相结合以增强异常检测
使用图神经网络的两种新方法来进行网络入侵检测系统（NIDS）：第一种方法使用散射变换对边缘特征向量进行多分辨率分析，以识别网络流量中的细微异常；第二种方法通过使用 Node2Vec 来改进节点表示，从而捕捉到更准确和全面的网络图像。与基准 - 基于图神经网络的网络入侵检测系统的问题空间结构对抗攻击
机器学习在网络入侵检测系统中被广泛应用，但其易受到对抗性攻击的影响。本文提出了特定于图神经网络的对抗性攻击的形式化，并模拟了现实场景中可行的结构攻击。同时，通过实验验证了这些模型对经典基于特征的对抗性攻击的抵抗力提升，同时也展示了它们对结构 - 关于网络入侵检测机器学习的跨数据集泛化
通过对网络入侵检测系统（NIDS）的泛化能力进行全面分析，本研究采用跨数据集框架的广泛实验，使用四个数据集和四种机器学习分类器，发现当模型在同一数据集上进行训练和测试时，几乎可以完美分类攻击。然而，在跨数据集训练和测试模型时，除了少数攻击和 - ICML提升联邦学习网络入侵检测的可迁移性
网络入侵检测系统依赖于分析连接到互联网设备的网络数据包以侦测入侵者的存在，这篇论文详细研究了入侵检测的可转移性，并提出了两种技术来显著提高联邦入侵检测系统的可转移性。
- TII-SSRC-23 数据集：用于入侵检测的多样化流量模式的类型学探索
该研究介绍了一个新颖且全面的数据集 TII-SSRC-23，旨在解决现有数据集在多样性和与当代网络环境的一致性方面的挑战。通过广泛实验，为监督和无监督入侵检测方法建立了坚实的基准，并提供了对入侵检测任务关键特征的重要见解，从而进一步推动入侵 - MM多域变压器深度学习用于网络入侵的早期检测
提出一种多变量时间序列早期检测方法，将其应用于网络入侵检测系统（NIDS），通过引入新颖的特征提取器和基于深度学习的检测模型，能够提高传统 NIDS 的检测速度和准确性。
- 实时正则表达式匹配
本文研究有限状态自动机、正则表达式匹配、模式识别和指数级扩张问题，在复杂的正则语言类别中提出了理论和硬件解决方案，解决了网络入侵检测系统工作中的严重限制问题，并通过正确性和复杂性定理支持该解决方案。
- 通过特征压平和两阶段协作分类器进行基于主机的网络入侵检测
本研究提出了一种组合了 NIDS 和 HIDS 的混合网络入侵检测系统，通过特征压缩技术可以有效地识别 APT 攻击，而且在 CICIDS 2018 和 NDSec-1 两个数据集上，相比传统的 ML XGBoost 算法，联合使用网络和主 - 动态学习对网络中对抗性规避攻击实用性的影响测试
本研究针对机器学习在网络入侵检测系统（NIDS）的部署中可能出现的对抗性攻击，提出一种与 NIDS 相关的优先分级体系，并对持续训练对对抗性攻击的影响进行了探索。研究表明，即使没有针对对抗性训练，持续重训可以减少对抗性攻击的影响。同时，本研 - 基于超图的机器学习集成网络入侵检测系统
使用超图来捕捉端口扫描攻击的演化模式，建立了一种基于超图度量的机器学习网络入侵检测系统，可实时智能地监测和检测端口扫描活动和对抗性入侵，具有鲁棒性和复杂动态的完美表现，检测性能近乎百分百。
- 基于图神经网络的自监督网络入侵检测系统 Anomal-E
本文介绍了一种新型入侵和异常检测方法 Anomal-E，它采用了基于 Graph Neural Networks 的自监督学习的方法，利用网络流量中的边部特征和拓扑结构来实现，同时取得了显著的改善。该方法是首次提出并取得实际成功的在无标签网 - 网络入侵检测系统中的对抗性机器学习
本文探讨了在网络入侵检测系统中对抗性问题的本质，从攻击者角度出发，研究利用进化计算和深度学习生成对抗样本的方法，并应用于公共数据集，与基线方法做对比，结果表明，这些生成对抗样本会导致 11 个不同的机器学习模型及投票分类器高误分类率，突出了