HYDRA: Proactive Android Malware Drift Adaptation via Hierarchical Graph Contrastive Learning
该论文聚焦于 Android 恶意软件检测中的概念漂移（concept drift）问题。随着恶意样本持续演化，基于机器学习训练的检测器性能会显著退化。作者指出当前两类主流适应策略各有缺陷：一类是「反应式」方案，只有在检测性能已经下降后才触
#concept-drift
共收录 14 条相关情报。
← 返回所有主题Concept drift mitigation through community and spectral graph analysis for the detectionof cyberattacks in network traffic
该研究针对网络流量入侵检测中长期存在的「概念漂移」问题：合法业务行为与攻击手法会同步演进，导致任何检测模型在两次更新之间的窗口期内迅速失效，检测方始终落后攻击者一步。作者提出把干预点从「漂移发生后再修复模型」前移到「训练之前先选好特征空间」
Navigating the Latent Manifold: Proactive Concept Drift Adaptation for Resilient NIDS
本文针对基于人工智能的网络入侵检测系统（NIDS）在面对概念漂移（concept drift）时性能退化、误报率升高的问题，提出了一种新颖的漂移自适应检测框架 DriftXpert。现有 AI 驱动的 NIDS 通常假设网络流量数据分布是静
Maintaining IoT Device Identification under Concept Drift via Budget-Aware Traffic Labeling
本文针对物联网（IoT）设备类型识别在概念漂移下的性能退化问题展开研究。在企业和ISP网络中，通过被动流量分析识别IoT设备类型已成为安全管理的重要手段。然而，随着设备行为随时间和环境变化，基于机器学习（ML）的分类器性能会逐渐下降，即出现
Concept Drift Detection and Adaptive Retraining of Malware Classification Models
本文研究恶意软件分类模型中概念漂移的检测与自适应重训练问题。概念漂移是指数据统计特性随时间发生变化，从而导致基于历史数据训练的机器学习模型性能下降。在恶意软件检测场景中，攻击者不断修改恶意代码以规避检测，因此模型极易受到概念漂移的影响。作者
Anomaly Detection in the Open World: Normality Shift Detection, Explanation, and Adaptation.
该论文首次系统性地探讨了基于深度学习的异常检测在安全应用中面临的常态漂移（normality shift）问题。传统异常检测模型通常假设训练与部署数据分布一致（闭世界假设），但真实环境中正常行为分布会随时间变化（如网络流量模式、系统调用序列
Continuous Learning for Android Malware Detection.
该论文聚焦于Android恶意软件检测中的概念漂移（concept drift）问题。现有机器学习分类器在训练时能达到很高的准确率（例如F1分数0.99），但部署后随着时间推移，由于恶意软件和良性应用的持续演化，分类器性能急剧下降——在仅6
Evaluating and Combating the Impact of Concept Drift on the Performance of Machine Learning-Based Phishing Detection Systems
本文研究了概念漂移（Concept Drift）对基于机器学习的钓鱼检测系统性能的影响，并提出了缓解策略。随着数字通信的快速发展，电子邮件成为主要渠道之一，但也带来了垃圾邮件和钓鱼攻击的持续威胁。传统的机器学习检测模型在静态数据集上表现良好
SEED: Semi-supervised Continual MalwarE Detection for Tackling ConcEpt Drift on a BuDget
该论文针对基于机器学习的恶意软件检测器因概念漂移（即良性软件和恶意软件随时间演变导致检测模型过时）而性能下降的问题，提出了一种名为 SEED 的半监督持续恶意软件检测方法。现有方法（如使用层次对比损失 HCL 结合主动学习）依赖大量标注数据
Concept Drift Adaptation Using Self-Supervised and Reinforcement Learning In Android Malware Detection
本文针对安卓恶意软件检测模型在部署后因概念漂移（concept drift）导致性能下降的问题，提出了一种基于自监督学习和强化学习的自适应维护框架。现有方法通常需要完全重新训练模型，成本高昂。作者将部署期间的维护建模为序列决策问题：首先通过
Adversarial Vulnerability Under Temporal Concept Drift: A Longitudinal Study of Android Malware Detection
本文研究了在时间概念漂移背景下，Android恶意软件检测模型的对抗鲁棒性如何随时间演变。研究团队收集了跨越十多年的Android应用数据集，从模拟器和真实设备执行中提取静态和动态特征表示，并将数据按年份切片。他们设计了三种部署协议模拟真实
FIRCE: A Framework for Intrusion Response and Conformal Evaluation
本文提出 FIRCE（入侵响应与共形评估框架），旨在解决基于机器学习的入侵检测系统（IDS）在实际部署中因概念漂移（concept drift）导致的模型退化问题。概念漂移指网络流量模式随时间变化，使得训练时的假设失效，传统 IDS 误报率
MARD: A Multi-Agent Framework for Robust Android Malware Detection
随着Android应用的快速演变，传统的基于机器学习的检测模型面临概念漂移问题，且受限于浅层特征，缺乏对代码的深层语义理解和可解释性。虽然大语言模型展现出强大的语义推理能力，但直接处理海量原始代码会产生巨大的令牌开销，并且无法在复杂上下文中
Detecting Concept Drift in Evolving Malware Families Using Rule-Based Classifier Representations
提出一种使用决策树规则集的结构化方法，通过特征重要性、预测一致性等指标量化恶意软件分类中的概念漂移，并在EMBER2024数据集上验证了固定两月窗口和特征级Pearson相关的有效性。