intrusion detection system
PulseAugur coverage of intrusion detection system — every cluster mentioning intrusion detection system across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的幻象状态攻击利用 IIoT 入侵检测中的时间同步
研究人员引入了一种名为幻象状态攻击（PSA）的新型攻击，该攻击针对工业物联网（IIoT）环境中的入侵检测系统（IDS）。与以往修改数据或查询模型的对抗性方法不同，PSA 利用 IDS 中数据聚合窗口的时间同步性。通过引入细微的时间漂移，该攻击会导致 IDS 重构一个错误的运行状态，从而降低检测能力。该方法在 ToN-IoT 和 CIC IIoT 2025 数据集上针对随机森林、MLP 和 XGBoost 等常见机器学习模型进行了评估，…
-
新型对抗性攻击针对基于深度强化学习的入侵检测系统
研究人员开发了新的通用对抗性扰动（UAP）生成方法，专门用于降低基于深度强化学习（DRL）的入侵检测系统（IDS）的性能。这些UAP旨在通过在各种网络流量类型上应用单一的、与输入无关的扰动来降低检测准确性。提出的基于概率鲁棒性（PR）的UAP将显式的PR驱动目标整合到UAP生成中，而高级版本PX-UAP则利用可解释人工智能（XAI）在现实约束下塑造扰动。实验表明，PX-UAP在攻击有效性方面优于现有的UAP方法。
-
联邦入侵检测面临隐私、鲁棒性和公平性权衡
一篇新的研究论文探讨了用于网络入侵检测系统（NIDS）的联邦学习中隐私、鲁棒性和公平性之间的权衡。研究强调，虽然联邦学习允许隐私保护的协作，但隐私措施和鲁棒聚合技术的结合可能会不成比例地损害稀有攻击类别的检测。研究结果表明，这些属性应联合研究，而不是作为独立可组合的属性，以确保可信的联邦 NIDS。
-
新研究质疑量子机器学习在攻击检测方面的优势 · 跟踪 2 个来源
arXiv 上发表的两篇新研究论文对量子机器学习（QML）在网络入侵检测和电力系统攻击检测方面声称的优势提出了质疑。两项研究都发现，经过精心调整的经典模型通常能媲美甚至超越 QML 方法的性能。研究强调，表面上的量子优势可能归因于经典预处理、降维和正则化技术，而非固有的量子效应。这些论文强调了评估方法和基准设计在决定 QML 感知优越性方面起到的关键作用。
-
新型防御TA-RS提升LLM入侵检测鲁棒性
研究人员开发了流量感知随机平滑（TA-RS），这是一种新颖的防御机制，旨在增强基于大语言模型（LLM）的入侵检测系统（IDS）抵御复杂流量操纵的鲁棒性。该方法将高斯噪声专门注入可控特征，使防御策略与攻击者的能力保持一致。TA-RS在各种数据集上展示了认证精度的显著提高，其性能优于标准的随机平滑技术，并通过调整噪声增强在RT-IoT2022等挑战性数据集上恢复了性能。
-
AI入侵检测模型无法跨工控物联网网络泛化
arXiv上发表的一项新研究强调了专为工控物联网（IIoT）网络设计的轻量级机器学习模型的入侵检测方面存在严重的泛化失败问题。研究人员发现，在一个IIoT数据集上训练的模型在评估不同、结构不同的数据集时表现不佳，即使在使用受限的特征集的情况下也是如此。分析显示，这些模型严重依赖粗粒度的端口类别特征，这些特征在不同网络环境中充当了捷径，而不是可靠的指标。该研究强调，需要根据真实的类别分布进行跨网络评估，以准确评估部署就绪情况，因为仅凭域…
-
新的熵框架增强了可解释的网络入侵检测
研究人员开发了一个名为多级分布熵（MDE）的新框架，用于可解释的网络入侵检测系统。MDE 从流级汇总统计数据中提取可解释的熵特征，无需访问原始数据包或训练数据。在四个基准测试中，MDE 取得了与传统特征相当的高加权 F1 分数，同时还提供了对故障模式和时间偏移下性能的洞察。
-
新的熵框架增强了可解释的网络入侵检测
研究人员开发了一个名为多级分布熵（MDE）的新框架，用于可解释的网络入侵检测系统。MDE 从流级汇总统计数据中提取可解释的熵特征，无需原始数据包或训练。MDE 的纯熵特征在四个基准测试中均取得了高 F1 分数，与传统方法相当，同时还能揭示聚合指标可能掩盖的故障模式。