CIC-IDS-2017
PulseAugur coverage of CIC-IDS-2017 — every cluster mentioning CIC-IDS-2017 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的潜在塑形框架增强了零样本异常检测能力
研究人员开发了一种新颖的两阶段异常检测框架，称为潜在塑形（Latent Sculpting），旨在提高入侵检测系统对未知网络威胁的鲁棒性。该框架首先使用基于 Transformer 的编码器和二元潜在塑形损失在潜在空间中对良性网络流量进行聚类，将其与异常模式区分开来。随后，掩码自回归流（Masked Autoregressive Flow）模型在此结构化潜在空间中估计概率，以生成校准的异常分数。在 CIC-IDS-2017 基准数据集…
-
新的JEPA风格模型学习有用的网络指纹嵌入
研究人员开发了JA4-JEPA，这是一种基于Transformer的模型，将JEPA风格的预测学习应用于网络指纹。这种通过匹配潜在预测而非重新生成输入来学习的方法，在JA4DB和CIC-IDS-2017的JA4派生数据上进行了测试。该模型在保留数据集上达到了0.9899的高余弦相似度和0.9220的kNN准确率，表明其在从网络指纹生成有用嵌入方面的有效性。
-
新的PLAA方法增强了对网络入侵检测系统的对抗性攻击
研究人员开发了一种名为PLAA的新方法，专门用于网络入侵检测系统（NIDS）创建对抗性攻击。与先前从计算机视觉改编攻击的方法不同，PLAA专注于生成包级特征来构建对抗性流量。这种方法确保生成的流量保持有效并保留其原始恶意语义。PLAA方法在多个NIDS模型和数据集上展示了92.78%的高逃避成功率，同时保持了对抗性流量的完整性。
-
新型SHIELD-IDS增强了机器学习入侵检测系统对对抗性攻击的防御能力
研究人员开发了SHIELD-IDS，一个增强型入侵检测系统，旨在对抗机器学习模型的对抗性攻击。该系统将XGBoost和LightGBM等梯度提升模型集成到一个多样化的集成模型中，并由三层防御机制保护。实验表明，SHIELD-IDS在干净数据上保持了超过99%的检测准确率，并对常见的对抗性攻击方法表现出更强的鲁棒性。
-
机器学习模型增强网络攻击检测和合成数据生成
研究人员通过重新处理CIC-IDS-2017和UNSW-NB15等现有数据集，开发了一个用于网络入侵检测系统（NIDS）的统一多模态数据集。该研究采用机器学习算法进行攻击分类，并利用对抗学习方法生成合成数据。目标是创建稳定的入侵检测ML模型以及高保真度和高实用性的生成模型。