Input-Layer Starvation: Why Per-Layer Pruning Breaks IoT Intrusion Detectors
该论文(cs.LG,作者 Md Anas Biswas)研究 IoT 入侵检测模型在剪枝压缩后出现的隐蔽失效问题。背景是:面向资源受限的小型 IoT 设备的入侵检测器通常通过剪枝压缩,并以整体准确率(overall accuracy)作为唯
共收录 9 条相关情报。
← 返回所有主题该论文(cs.LG,作者 Md Anas Biswas)研究 IoT 入侵检测模型在剪枝压缩后出现的隐蔽失效问题。背景是:面向资源受限的小型 IoT 设备的入侵检测器通常通过剪枝压缩,并以整体准确率(overall accuracy)作为唯
该论文研究被动射频(RF)感知在反无人机(counter-UAV)检测中的一个被长期忽视的失效模式:现有文献普遍以“有链接飞行器 vs 背景射频/ WiFi/蓝牙干扰”的二分类准确率来证明检测器性能,却很少单独隔离“仅有遥控器在发射、而没有
提示注入(prompt injection)检测器目前普遍以分布内测试集上的聚合 F1 作为主要评价指标,这种做法掩盖了模型在分布偏移下的真实行为,尤其是决策边界的良性一侧:误报会直接产生运维成本(告警疲劳、正常业务被拦截),却往往没有被单
本文针对检测规则仓库中误报排除(exclusion)持续累积且很少被撤销的问题展开研究。核心背景是:当一条检测规则频繁产生误报时,分析人员通常会添加排除条件,使规则在该特定场景下不再告警。单次排除决策在局部看是合理的,但其长期累积对规则库整
本文关注静态应用安全测试(SAST)工具的高误报率问题。SAST工具在现代安全软件开发中不可或缺,但生成的误报(FP)告警会带来大量人工审查成本,并降低开发者信任。现有误报缓解方法面临两大挑战:一是不同SAST工具与漏洞类别间差异大,难以学
该论文研究了在工业专用5G网络环境下,基于机器学习的入侵检测系统(IDS)处理加密OPC UA流量时,良性连接变化对检测性能的影响。作者指出,尽管机器学习IDS在加密工业通信监控中日益普及,但其在真实专用5G操作条件下的表现尚未被充分理解。
该论文聚焦于基于机器学习的恶意流量检测中高误报率(False Positive, FP)这一实际部署痛点。传统机器学习方法依赖精心设计的特征,虽能检测包括零日攻击在内的各类攻击,但高误报迫使安全分析师投入大量精力进行人工复核,极大增加了运维
该论文针对恶意域名检测中普遍存在的误报(False Positive)问题,提出了“良性指标(Indicator of Benignity, IoB)”这一新概念。传统检测方法依赖恶意指标(Indicator of Compromise,
该论文系统性地研究了代码表示格式(原始源代码与剪枝抽象语法树 AST)如何影响跨语言大语言模型(LLM)在漏洞检测中的误报行为。作者使用两个 8B 参数级别的 LLM(Qwen3-8B 和 Llama 3.1-8B-Instruct),在