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
#explainable-AI
共收录 19 条相关情报。
← 返回所有主题A Calibrated and Explainable Bimodal Machine Learning Framework for Hybrid Intrusion Detection
该论文针对现代通信系统中入侵检测面临的两个关键挑战：未知攻击的检测能力不足以及极端数据不平衡导致的稀有威胁类别识别困难，同时现有黑盒机器学习模型缺乏可解释性，难以在实际安全运营中落地。作者提出了一种双模态框架，将已知类别的精确分类与开放集泛
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。
GeCos Replacing Experts: Generalizable and Comprehensible Industrial Intrusion Detection.
该论文提出了一种名为GeCos（Generalizable and Comprehensible）的方法，旨在替代现有的专家系统，用于工业入侵检测。研究背景是工业控制系统（ICS）面临日益增长的网络安全威胁，传统的基于规则的专家系统要么缺乏
A Self-Explainable Deep Architecture for Security Applications
本文提出了一种面向安全应用的自解释深度架构 XSec，旨在解决深度学习模型在安全场景中因复杂性和黑盒特性导致的预测可解释性不足问题。现有解释方法（如可视化解释和后处理解释）存在忠实度下降、因依赖随机性而不稳定、计算效率低无法实时使用等缺陷。
Achieving Interpretable DL-based Web Attack Detection through Malicious Payload Localization.
本文提出了一种可解释的基于深度学习的Web攻击检测方法，核心目标是解决深度学习模型在Web攻击检测中‘黑盒’特性导致的不可信问题。现有基于深度学习的Web入侵检测系统虽然具有较高的检测准确率，但无法向安全分析人员解释为何将某条请求判定为攻击
Explainable Hybrid Feature Selection for Intrusion Detection in Internet of Medical Things Environments
本文针对医疗物联网（IoMT）环境中的入侵检测难题提出了一种可解释的混合特征选择方法。IoMT 网络中的设备异构性强、计算资源有限，且流量需要实时分析，这使得传统入侵检测系统难以直接部署。作者设计了一套两级特征选择流程：首先利用 Pears
(EC)2: Event-Centric Explainability for Cybersecurity Through Multi-Agent LLM Investigations
本文针对安全运营中心（SOC）依赖异常检测系统标记可疑事件时，传统基于特征的解释难以满足实际调查需求的问题，提出了一种以事件为中心、与检测器无关的网络安全告警解释方法。作者指出，分析人员不仅需要知道某个特征偏离了正常范围，更需了解告警涉及的
Detection, Attribution, Narration: An End-to-End Pipeline for Explainable Money Mule Identification
该论文提出了一种端到端的解释性钱骡账户检测管道，旨在解决金融欺诈中钱骡账户难以大规模检测的问题。管道分为三个阶段：首先，使用LightGBM分类器在280个工程特征上训练，这些特征涵盖交易模式、账户人口统计、网络拓扑和时间行为；其次，引入T
Explaining Intrusion Alert Decisions of Deep Learning-based Network Intrusion Detection Systems for Security Analysts
本文提出 EXP-SEC 框架，旨在为基于深度学习的网络入侵检测系统（DL-based NIDS）生成的告警提供可解释性，使安全运营中心（SOC）的分析师能够理解告警背后的决策依据。研究背景是：现有DL-based NIDS虽然检测精度高，
An Explainable Agentic System for Detection of Conversational Scams with Summary-Based Memory
该论文针对生成式人工智能背景下日益严重的对话式诈骗威胁提出了一种可解释的智能体系统。对话式诈骗通常持续数周或数月，逐步建立信任后索取金钱或敏感信息，而现有检测系统主要关注孤立信息，难以应对此类复杂攻击。本文首先扩展了单消息钓鱼检测，构建了一
Multi-Level Distributional Entropy for Explainable Network Intrusion Detection
机器学习的网络入侵检测系统（IDS）通常依赖于聚合流统计数据，这丢弃了分布结构信息。传统的熵度量需要原始数据包序列，而在预先聚合的流数据集中不可用。本文提出多级分布熵（MDE），一个分析框架，直接从流级汇总统计量中推导出可解释的熵特征，包括
Cross-National Information Attacks: A Two-Decade Analysis of Troll Behavior in Korea
该论文针对国家层面的协调性信息操纵（即网络水军/巨魔）问题，提出了一种可解释的机器学习框架，用于检测和纵向分析疑似境外势力在韩国在线新闻评论区的活动。研究背景是外国影响力行动对线上平台构成日益严重的威胁，但检测国家关联的巨魔账号并追踪其演变
A Deployment-Oriented Framework for Explainable AI-Assisted eBPF/XDP Mitigation at the IoT Edge
本文提出了一种面向部署的可解释人工智能辅助 eBPF/XDP 缓解框架，专门针对物联网边缘网关设计。物联网环境由异构、资源受限的设备组成，这些设备安全配置薄弱、服务暴露、日志记录有限、补丁更新困难且生命周期长。传统的基于签名和阈值的控制方法
Sample-Efficient LLM-Based Detection of Malicious Web Server Logs with Forensically Explainable Reasoning
该论文针对 Web 服务器日志的取证分析需求，提出了一种名为 CEF-Log 的上下文增强少样本思维链提示策略，用于大语言模型（LLM）。传统机器学习方法在日志检测中常被视为“黑箱”，难以提供符合法律要求的人类可读解释。CEF-Log 通过
SHERPA: Explainable Robust Algorithms for Privacy-Preserved Federated Learning in Future Networks to Defend Against Data Poisoning Attacks.
随着物联网和移动设备中海量数据的快速增长，分布式机器学习技术日益受到关注，联邦学习（FL）作为一种保护隐私的分布式学习框架，允许多方协作训练模型而无需共享原始数据。然而，FL容易受到数据投毒攻击，恶意客户端可能通过操控本地数据或模型更新来破
Cognitive Threat Intelligence and Explainable Federated Security Analytics for distributed Infrastructure Systems
本文针对分布式基础设施系统（包括云计算、物联网和边缘架构）面临的日益扩大的攻击面与复杂威胁，提出了一种认知威胁情报与可解释联邦安全分析框架。传统集中式入侵检测方法在可扩展性、数据隐私、通信开销以及AI决策透明性方面存在局限。该框架融合联邦学
NLLog: Lightweight, Explainable SOC Anomaly Detection via Log-to-Language Rewriting
本文提出了一种名为NLLog（Natural-Language Log）的轻量级日志异常检测管道，旨在解决系统日志因模板化格式导致难以被自动化分析和人工理解的问题。NLLog的核心思想是将解析后的日志模板确定性重写为“谁-做了什么-严重程度
XAI FL-IDS: A Federated Learning and SHAP-Based Explainable Framework for Distributed Intrusion Detection Systems
本文提出一个名为XAI FL-IDS的分布式入侵检测系统框架，旨在解决传统集中式IDS存在的两大局限：隐私泄露和缺乏可解释性。当前大多数IDS依赖集中式检测，要求IoT节点将原始数据发送至服务器，不仅增加网络开销，也无法保证数据隐私；同时，