Intrusion detection systems
PulseAugur coverage of Intrusion detection systems — every cluster mentioning Intrusion detection systems across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
综述探讨生成式人工智能和联邦学习在入侵检测中的应用
一篇新发表在arXiv上的综述文章探讨了将生成式人工智能（AI）和联邦学习（FL）相结合以增强入侵检测系统（IDS）的应用。文章强调了生成模型如何通过支持异常检测、合成数据生成和警报解释来应对不断变化的攻击行为和数据稀缺等挑战。联邦学习被提出作为一种在不共享敏感本地网络流量的情况下协同训练IDS模型的方法，使其适用于注重隐私和分布式环境。该综述对生成式AI在IDS中的应用进行了分类，包括自编码器、生成对抗网络（GANs）、扩散模型和大…
-
FALCON框架从网络威胁情报自动化生成IDS规则
研究人员开发了FALCON，这是一个代理框架，旨在从网络威胁情报（CTI）中自动化创建和验证入侵检测系统（IDS）规则。该系统解决了手动编写规则过程中存在的瓶颈，这些瓶颈通常由于CTI和规则格式之间的表示差异而受到阻碍，导致规则膨胀和自动化验证困难。FALCON利用一种新颖的语义评分器来量化CTI与规则之间的一致性，从而能够更好地检索和验证生成的规则。在网络（Snort）和主机（YARA）平台上进行测试，FALCON的平均相关性为0.…
-
图神经网络增强冲突区域的无人机与网络防御
一篇新的研究论文探讨了图神经网络（GNNs）在加强网络安全和无人机情报方面的应用，特别是在以色列-伊朗冲突的背景下。该研究提出了一种集成方法，其中入侵检测系统从网络结构中学习以识别恶意活动，从而促进无人机响应措施。通过基于仿真的案例研究，该研究表明GNNs可以提高态势感知能力、集群协调能力和自适应机动能力，实现了94.2%的检测率和1.4秒的平均响应时间。比较实验表明，提出的GraphSAGE网络优于图卷积网络（GCNs）和图注意力网…
-
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。
-
新指标量化网络安全AI中的可解释性脆弱性
本文介绍了一种新颖的指标——可解释性脆弱性得分（Explanability Fragility Score），用于量化网络安全入侵检测系统中AI解释的不稳定性。研究表明，多重共线性（一种具有相关特征的统计问题）会显著放大解释方差，并导致特征重要性无法识别。为解决此问题，本文提出了两种缓解方法：CAA-Filtering和SHARP，旨在稳定AI解释，提高在安全关键应用中的可信度。
-
CLAD框架通过聚类标签无关联邦学习增强物联网安全性
研究人员推出了一种名为CLAD的新型框架，旨在增强大规模物联网（IoT）环境的安全性。CLAD集成了聚类联邦学习和双模微架构，以应对设备异构性和有限标记数据带来的挑战。该方法能够同时进行无监督异常检测和有监督攻击分类，有效利用标记和未标记的客户端数据。