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」
#feature-selection
共收录 5 条相关情报。
← 返回所有主题External Sinkhole Attack Detection in Large-Scale WSNs Using Metaheuristic Feature Selection
本文研究大规模无线传感器网络（WSN）中外部汇聚节点攻击（sinkhole attack）的检测问题。汇聚节点攻击会通过伪造路由信息吸引网络流量，严重破坏网络功能。传统检测方法在高密度、大规模部署场景下面临特征维度高、计算开销大、误报率高等
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
BARS: Benign-Anchored Ranking and Selection for False Alarm Reduction in Network Intrusion Detection
该论文针对网络入侵检测系统（NIDS）中误报率过高的问题，提出了一种名为BARS（良性锚定排序与选择）的特征选择方法。经典过滤式特征选择方法通常采用类别对称准则，忽略了入侵检测中正常流量与攻击流量的不对称性——正常流量构成基线而攻击是偏离。
nCMD: Benign-Anchored Feature Selection for Imbalanced Network Intrusion Detection
该论文针对网络入侵检测系统（NIDS）在高维、高度不平衡流量场景下的特征选择问题，提出了一种名为nCMD（benign-anchored Classwise Mean Deviation）的轻量级、可解释的特征选择方法。传统过滤方法使用全局