Cyber-Electromagnetic Anomaly Detection Through Time-Series Analysis
本文研究军事行动中网络域与电磁战（EW）协调背景下的网络电磁异常检测问题。传统网络态势感知（CSA）依赖OODA循环，需要融合异构数据源进行监控和解释，但现有异常检测方法往往只关注单一视角（要么是物理信号行为，要么是网络流量通信行为），难以
#anomaly-detection
共收录 73 条相关情报。
← 返回所有主题When Relationships Break: Interpreting Network Traffic Anomalies via Dependency Violations
该论文针对网络安全监控中基于机器学习的异常检测方法存在的可解释性不足问题展开研究。现有方法要么依赖特征归因技术但忽略特征间依赖关系，要么依赖因果建模但需要大量领域知识或计算资源。为此，作者提出 XION 方法，仅基于良性流量建模网络流特征之
Defending the Peg: Real-Time Dynamic Protection and Anomaly Detection in DeFi Stablecoins
本文针对去中心化金融（DeFi）生态中稳定币智能合约的安全防护问题，提出了一套实时动态防御与异常检测架构。稳定币作为连接加密货币市场与传统金融的关键基础设施，其运行高度依赖智能合约的自动执行；然而智能合约一旦部署便不可篡改，任何安全漏洞被利
Robustness of Anomaly Detection Models for Industrial Control Systems under Training-Time Data Contamination
这篇 arXiv 论文研究了工业控制系统（ICS）中基于机器学习的异常检测模型在训练数据被污染情况下的鲁棒性问题。研究背景是：现有研究大多假设异常检测器的训练数据是可信的，但在实际工业环境中，训练数据可能因日志被篡改、标注错误、历史数据库记
Euler: Detecting Network Lateral Movement via Scalable Temporal Graph Link Prediction.
该论文提出了一种名为 EULER 的框架，用于通过可扩展的时间图链接预测来检测网络横向移动。横向移动是高级持续性威胁（APT）攻击中的关键阶段，但传统检测方法面临挑战。作者将网络主机日志抽象为离散的时间图，将问题转化为演化网络中的异常边检测
Explainable Adaptive Zero Trust Framework for AWS with Adversarial Robustness Evaluation
该论文针对AWS云环境中存在的一个结构性安全缺陷：一旦凭证通过认证，其会话在整个生命周期内通常被无条件信任，这导致凭证一旦泄露，攻击者即可持久利用。为此，作者提出了一种可解释的适应性零信任框架（EAZTF），作为云原生安全层，在整个会话过程
NODLINK: An Online System for Fine-Grained APT Attack Detection and Investigation.
本文提出并实现了一个名为 NODLINK 的在线 APT 攻击检测系统，旨在解决现有在线溯源图检测系统为了降低计算复杂度而牺牲检测粒度，导致生成的溯源图包含超过 10 万个节点、难以被安全运维人员解读的问题。作者的核心洞察是：在线溯源图检测
From Noise to Signal: Improving Security Log Anomaly Detection Using LLMs with Endpoint-Specific Logs
该研究针对安全日志异常检测中传统方法（如 Wazuh 规则检测、OpenSearch 统计异常检测）依赖预定义规则或历史行为基线、难以捕捉语义和上下文信息的问题，探索了利用大语言模型（LLM）进行端到端异常认证行为检测的可行性。作者指出已有
FedGuard-DC: Privacy-Preserving Federated Load Forecasting and Cyber-Attack Detection for Data-Center Loads in Transmission Systems
本文提出 FedGuard-DC，一个面向输电系统中大型数据中心（DC）负荷的联邦学习（FL）框架，旨在解决隐私保护下的负荷预测与网络攻击检测问题。随着数据中心负荷快速增长，系统运营商需要短时准确信息，但数据中心运营商因担心泄露敏感的工作负
Digital Twin Degradation: Detecting Cyber Physical Attacks via Temporal Inconsistencies
本文提出一种面向网络物理系统（CPS）的数字孪生（DT）安全监测框架。传统上，数字孪生被用于实时监控物理过程，但在对抗环境中，其保真度无法保证。通信延迟、数据篡改、传感器退化或部分信息丢失都会导致孪生状态与物理状态偏离，形成时间不一致性。作
When Time Meets Space: Entropy Integration and Dynamic Threshold for Adaptive DDoS Detection in SDN
本文针对软件定义网络（SDN）中基于熵的分布式拒绝服务（DDoS）检测方法在面对物联网（IoT）环境流量波动时鲁棒性不足的问题，提出了一种轻量级的时空熵融合检测器。传统方法通常仅利用空间流量分布，并采用静态或松散自适应的阈值，难以适应合法流
Explainability Boosted Anomaly Detection Framework for O-RAN based NextG Networks
该研究针对下一代（NextG）蜂窝网络（尤其是向6G演进过程中）面临的安全漏洞问题，提出了一种结合可解释人工智能（XAI）的异常检测框架。传统无线网络缺乏有效的异常检测机制，而未来网络架构（如O-RAN）的开放性和灵活性也引入了新的攻击面。
BGA: A noise-immune neural distillation framework for malicious signature extraction in high-entropy encrypted flows
本文提出一种名为BGA（Bidirectional Gated Attention）的抗噪神经蒸馏框架，用于在高熵加密流量（如TLS 1.3）中提取恶意签名。研究动机是：在加密流量中，随机性强的密码学噪声会稀释注意力机制对关键控制面特征的关
Benchmarking Cyberattack Detection in Electric Vehicle Charging Infrastructure with Benign User Updates
电动汽车充电基础设施正日益成为网络攻击的目标，而合法的用户行为——如在充电激活后修改请求的充电能量和离开时间——与充电操纵攻击在界面上高度相似，这给攻击检测带来了独特挑战。现有方法往往将任何请求修改视为异常，导致高误报率，无法区分恶意操纵与
SSHafe: A Real-Time SSH Brute Force Attack Detection and Novel Credential Rotation Standard
SSH（安全外壳协议）是远程系统管理的核心协议，但基于密码的认证方式使其面临大规模暴力破解、字典攻击和凭证填充攻击的威胁。传统基于规则的防御措施如Fail2Ban难以检测缓慢、分布式或自适应阈值的攻击者，而传统的账户恢复机制（如电子邮件链接
When Context Bites: Detecting RAG Poisoning via Document-Level Attention Collapse
本文针对检索增强生成（RAG）系统面临的投毒攻击威胁，提出了一种基于文档级注意力坍缩（Attention Collapse）的检测方法。RAG通过注入外部文档来增强大语言模型的生成能力，但攻击者可能注入对抗性文档以操纵模型输出。现有检测方法
Tool Demo: Topology analysis with GPML for detection of cyberattacks in Water Distribution Networks
本文针对水分配网络（WDN）中工业控制系统（ICS）面临的网络攻击问题，提出一种基于拓扑分析的攻击检测方法。研究背景是传统检测方法依赖原始流量或协议信息，难以捕捉攻击引起的结构性变化，导致检测能力有限。作者采用基于图处理机器学习（GPML）
Enhancing Anomaly Resilience in Research Networks: A Large-Scale Forecasting Benchmark for Dynamic Security Baselining
本文针对研究与教育网络（RENs）面临的独特安全悖论展开研究。RENs 承载着大规模、突发性的“大象流”正常科研流量，这些流量在统计特征上与 DDoS 等容量型攻击高度相似，导致传统监控系统产生大量误报，进而使安全运营人员无法及时发现真实威
Beyond the QBER Threshold: A Temporal QBER Based Machine Learning Framework for Multi Attack Detection in BB84 QKD
本文针对传统 BB84 量子密钥分发（QKD）系统中固定 11% 量子误码率（QBER）阈值检测窃听方案的不足，提出了一种基于时间维度 QBER 的机器学习框架，用于多类型窃听攻击的检测与分类。传统方法仅依赖会话级平均 QBER，而隐蔽攻击
MAGIC: Detecting Advanced Persistent Threats via Masked Graph Representation Learning.
本文提出 MAGIC，一种基于掩码图表示学习的自监督高级持续性威胁（APT）检测方法。现有基于数据起源图分析的 APT 检测方法存在三个主要缺陷：一是依赖包含攻击的数据和先验知识，难以应对未知攻击；二是无法充分提取起源图中丰富的上下文信息；