本文提出一种名为xNIDS的框架，旨在为基于深度学习的网络入侵检测系统（NIDS）提供可解释性，以支持主动入侵响应。当前深度学习NIDS虽然检测性能优越，但其黑盒特性使得安全分析师难以理解告警原因，进而难以实施有效的响应措施。xNIDS通过生成与输入特征重要性相关的解释，帮助分析师快速定位关键攻击特征。文章设计了一种结合扰动测试和梯度分析的归因方法，能够高效计算每个网络流特征对检测结果的贡献。在多个公开数据集（如CIC-IDS2017、UNSW-NB15）上的实验表明，xNIDS在解释保真度、稳定性和效率方面均优于现有基线方法。同时，作者探讨了如何利用这些解释来指导主动响应策略，例如动态调整防火墙规则或触发高级分析。该研究弥补了深度学习NIDS可解释性领域的空白，为安全运营团队提供了从告警到响应的可操作桥梁。

本文提出了一种基于深度学习的可解释动态分析框架eDySec，用于检测PyPI生态系统中的恶意软件包。随着软件供应链攻击日益复杂，传统机器学习检测器难以应对高维稀疏的动态行为数据（如系统调用、网络流量、目录访问模式和依赖日志），导致性能不稳定且缺乏可解释性。eDySec利用深度学习模型从QUT-DV25数据集中提取安装时和安装后的行为特征，通过特征选择、模型稳定性分析和可解释AI技术，实现了高效、稳定且透明的恶意包检测。实验结果表明，eDySec在多个指标上显著优于现有框架：特征维度减半，误报率降低82%，漏报率降低79%，准确率提升3%，接近完美的稳定性，且每个包的平均推理延迟仅为170毫秒。研究还发现，特征与模型组合的选择对性能至关重要。该框架适合安全分析师、软件供应链安全研究人员以及PyPI维护者参考，以提升对下一代动态攻击的防御能力。