实体
network intrusion detection systems
network intrusion detection systems
PulseAugur coverage of network intrusion detection systems — every cluster mentioning network intrusion detection systems across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
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。
-
新的BARS方法显著减少了网络入侵检测中的误报
研究人员开发了一种名为良性锚定排序和选择（BARS）的新方法，用于减少网络入侵检测系统（NIDS）中的误报。BARS是一种两阶段过滤器，它通过使用良性流量类别作为稳定锚点，而不是可能被不平衡数据扭曲的全局均值，从而改进了现有的类不对称过滤器。这种方法显著降低了误报率，尤其是在攻击流量较多的环境中，同时保持了真阳性率和整体性能。BARS设计高效，内存占用少，评分时间为线性，适合资源受限的NIDS部署。
-
新的nCMD方法通过不平衡数据改进网络入侵检测
研究人员开发了一种名为良性锚定类均值偏差（nCMD）的新特征选择方法，专门用于网络入侵检测系统。该方法通过关注攻击分布与正常良性流量的偏差来解决不平衡数据带来的挑战。在四个基准数据集上的评估中，nCMD在识别入侵方面，尤其是在严重类别不平衡和特征预算有限的条件下，其表现与传统方法相当或更优。