Frequency-Domain Mixing Data Augmentation for Malicious Traffic Detection
本文针对恶意流量检测模型在面对网络流量强动态性时，常需处理分布外（out-of-distribution）数据的问题展开研究。现有深度学习恶意流量检测模型依赖大量高质量标注数据，但标注难度高、资源消耗大，导致现有数据集多样性不足，难以覆盖不
#data-augmentation
共收录 5 条相关情报。
← 返回所有主题Generative AI for Encrypted Traffic Analysis: Synthetic Dataset Generation and Classifier Evaluation
该论文针对加密流量分析中的两大核心挑战展开研究：一是加密通信导致数据包内容可见性有限，使得传统深度包检测方法失效；二是可用数据集中异常流量样本极度不平衡，导致模型训练效果不佳。为应对这些问题，作者提出利用生成式人工智能（GAI）技术来构造逼
DART: Data Augmentation of Rare ATT&CK Techniques Using LLM Agents.
该论文提出 DART（Data Augmentation of Rare ATT&CK Techniques Using LLM Agents）框架，旨在解决网络安全数据分析中罕见 ATT&CK 技术样本不足的问题。由于真实环境中某些攻击技
Assessing the Operational Impact of Poisoning Attacks over Augmented 3D Point Cloud Public Datasets for Connected and Autonomous Vehicles
该论文系统评估了针对增强3D点云公共数据集的投毒攻击的操作性影响。随着自动驾驶和联网汽车的发展，3D点云数据被广泛用于训练感知模型，但公共数据集可能遭受投毒攻击，导致分类错误或后门注入。传统观点认为数据增强技术（如旋转、缩放、噪声添加）可以
LACMUS: Latent Concept Masking for General Robustness Enhancement of DNNs.
该论文提出了一种名为 LACMUS（Latent Concept Masking for Robustness）的通用鲁棒性增强方法，旨在提升深度神经网络（DNN）对对抗攻击和分布偏移的鲁棒性。作者认为，DNN 对对抗扰动和分布漂移的敏感性