NetFlow
PulseAugur coverage of NetFlow — every cluster mentioning NetFlow across labs, papers, and developer communities, ranked by signal.
-
图神经网络模型预测个体网络流量流
研究人员开发了一种图神经网络（GNN）模型，能够预测个体流量级别（NetFlow）的网络流量。该模型能有效捕捉网络数据中的图结构和连接特征，在识别与连接相关的特定端口和IP地址方面优于现有预测方法。该方法展示了GNN在详细NetFlow预测方面的潜力。
-
新方法应对网络网络攻击检测中的概念漂移
研究人员开发了一种新方法来应对网络流量分析中的概念漂移，这种现象是指合法行为和攻击技术会随着时间的推移而演变，导致检测器过时。该方法名为 t-robustness，侧重于在模型训练前选择特征空间中稳定的特征，而不是在漂移发生后修复模型。该方法利用图社区和谱度量来识别尽管网络模式不断演变但仍保持一致的特征，与基线 NetFlow 特征相比，在 UGR16 数据集上展示了改进的检测能力。
-
新的NetFlow数据集增强了AI驱动的网络入侵检测
本文通过关注NetFlow数据集的时间分析，提出了一种新的网络入侵检测系统（NIDS）方法。研究人员创建并发布了新的数据集，其中包含以前缺失的关键时间特征，如数据包到达间隔时间和流持续时间。该研究提供了详细的时间分析，检查了特征随时间的变化分布，并提出了时间序列表示。此外，它还应用时频分析来识别与各种攻击相关的独特模式，表明这些模式可以帮助机器学习模型进行更准确的检测。
-
New research explores tabular representation learning for network intrusion detection
本文评估了用于网络入侵检测的表格表示学习技术，旨在从NetFlow数据中自动化特征提取。研究人员将TabICL和自动编码器等各种方法与传统方法和Transformer基线进行了比较。研究发现，性能高度依赖于所使用的具体数据集和模型，其中监督方法通常优于无监督异常检测。