该论文研究的是机器学习型入侵检测系统（IDS）在工业物联网（IIoT）环境中的一个被长期忽视的假设：时间同步性。现有对抗性研究大多集中于扰动特征向量或原始流量，且通常依赖梯度信息、反复查询模型或事先拟合良性流量模型；另有一小类工作在不查询检测器的前提下重塑数据包时序，但需要让恶意流量模仿已学习到的良性时序模型。作者指出，工业监控流水线的状态重建本质上依赖窗口聚合：IDS 将遥测数据聚合进滑动窗口或翻滚窗口，因此其"看到的"不仅取决于观测到了什么，还取决于每次观测落在窗口边界前后的哪一侧。基于这一洞察，论文提出"幻影状态攻击"（Phantom State Attack, PSA）。PSA 采用被动、零查询的威胁模型：不修改数据包内容、不扰动特征、不查询分类器、也不拟合任何良性流量模型，而是注入有界的时序漂移——该漂移以攻击流自身的到达间隔（inter-arrival）变异性为标尺进行校准，只施加将观测推过最近窗口边界所需的最小位移。其结果是 IDS 重建出一个与真实工业过程状态相偏离的"幻影状态"，从而在状态层而非特征层实现检测规避。作者在 ToN-IoT 与 CIC IIoT 2025（DataSense）两个数据集上，针对随机森林、MLP 与 XGBoost 三类模型进行评估，指标涵盖检测性能退化、同步失真程度、隐蔽性与攻击者代价。结果显示：PSA 仅对包含足够数据包、可在窗口边界间重新分配的流造成显著检测退化，对其他流影响甚微，即其效果是有条件的；与需要每个窗口大量查询的基于查询的基线相比，PSA 原始成功率较低，但查询开销为零。论文的结论是，时间聚合构成一个在比以往规避技术更弱假设下即可触达的攻击面，提示 IIoT 检测流水线在设计窗口机制时必须考虑时序对抗鲁棒性。

背景与问题：边缘计算把数据处理下沉到终端用户与 IoT 设备附近，降低了时延并缓解回传带宽拥塞，但由于边缘节点异构、资源受限、且往往部署在非受管的管理域中，攻击面被指数级放大，这些节点成为高价值且脆弱的目标。同时，全球范围内的数据隐私法规又限制了把原始网络遥测集中到大中心进行训练的传统方案，使集中式入侵检测难以落地。核心方法：论文提出 TA-FHIDF（Trust-Aware Federated Hybrid Intrusion Detection Framework，信任感知联邦混合入侵检测框架）。其在每个本地网关上构建统一的深度学习检测引擎，由三部分组合而成——Autoencoder 负责无监督表征与重构式异常感知，1D-CNN 负责提取局部空间/序列模式，BiLSTM 负责捕获双向时序依赖，三者协同实现自动的空间与时序特征抽取，减少人工特征工程。模型训练通过联邦学习协作完成，原始网络遥测数据始终留在本地网关，仅交换模型更新，从而满足数据本地化与隐私合规要求。为抵御对抗性模型投毒（拜占庭客户端）攻击，框架在服务器端引入信任感知聚合机制：在把各客户端更新整合进全局模型之前，先用余弦相似度度量其与参考方向的一致性，据此评估客户端可靠性并抑制不可信更新的影响。实验与贡献：作者在 UNSW-NB15、CICIDS2017 与 Edge-IIoTset 三个覆盖多类攻击向量的基准数据集上进行评测，结果表明该框架在检测准确率上优于对比方案，收敛速度更快，并且在存在恶意客户端注入污染更新的对抗场景下仍保持较高的拜占庭容错能力。整体贡献可概括为：混合式（重构+空间+时序）本地检测引擎、联邦式隐私保护训练、以及抗投毒的信任聚合三者结合，形成面向边缘与 IoT 的端到端入侵检测方案。适合读者：边缘/IoT 安全、联邦学习鲁棒性、分布式入侵检测方向的研究者与安全架构师。

该论文关注基于溯源（provenance）的入侵检测系统（PIDS）在落地环节的一个核心痛点：PIDS 虽然能在系统审计流中识别可疑活动，但其输出通常只是孤立的异常点或子图，难以被转化为连贯、可读的攻击叙事，安全分析师仍需大量人工拼接。作者指出，直接把局部异常子图交给大语言模型（LLM）分析存在两类系统性缺陷：一是模型缺乏特定部署环境下的正常行为知识，容易把例行运维或常规进程交互误判为攻击，产生缺乏依据的攻击解释；二是证据碎片之间缺少经过验证的攻击状态，导致时间上分散的证据被错误地归属到错误的攻击阶段。为解决这两点，论文提出 ANCHOR——一个面向调查（investigation-oriented）的溯源分析系统，将证据策展与上下文锚定的 LLM 推理相结合。其技术要点包括：按关系类型校准异常判定，降低不同关系语义下的误报差异；通过稀有的“关系-角色”模式把分散的异常窗口链接起来；生成的证据队列保留因果结构、时间边界以及跨窗口的连续性。调查器使用两类互补上下文解释以进程为中心的证据：部署上下文（Deployment Context）融合环境特定的交互与对象基线以及高风险安全知识，用于判断“什么是正常”；案例上下文（Case Context）则依靠带置信度门控的攻击追踪缓存（Attack-Tracking Cache）跨窗口维护调查状态，把当前证据与高置信度的既有发现相关联，从而按杀伤链阶段增量式重建攻击叙事。实验方面，作者在六个 DARPA 透明计算（Transparent Computing）E3/E5 数据集、覆盖三种操作系统上评估 ANCHOR，通过受控的证据级对比与端到端对比，证明其在 IoC（入侵指标）恢复率和攻击阶段归属准确度上优于当前最先进的溯源类基线方法，并且这些增益在固定 LLM 主干模型的条件下依然成立，说明提升主要来自系统设计而非模型能力。成本方面，ANCHOR 处理完整一天的审计数据仅需美元级别的 API 开销，具备实际部署可行性。该工作适合从事主机/端点溯源检测、SOC 告警降噪与事件叙事生成、以及 LLM 赋能安全运营方向的研究者与工程团队阅读。

这篇论文针对基于溯源图(provenance)的入侵检测系统(PIDS)的评测方法学开展审计。作者指出，仅复现某个检测器给出的分数，并不能说明该分数对其实际输出的告警意味着什么，也不能说明其编码器真正利用了哪些信息。为此，作者收集并审计了九个已公开发布的检测器实现，并使用其原始代码实际运行了其中四个检测器，从中分离出三类会显著影响结论的测量效应。 第一，固定告警集比较可将“标签选择”与“邻域信用(neighbourhood credit)”两类效应区分开。以 ThreaTrace 为例，在引入邻域信用后其精确率报告为 0.938，但在其 994 条告警中，只有 7 条携带其自身定义的攻击标签，说明该高分很大程度上来自标签与邻域聚合方式，而非告警本身的质量。 第二，测试标签检查点选择效应。作者移除使用测试标签进行模型检查点选择的做法后，在四组各含 40 个成员的 word2vec 配置上，攻击检测精确率(ADP)下降 0.16 至 0.33，但检测器之间的相对排序并未改变。这表明论文报告的绝对性能量级受到评估流程中隐性信息泄漏的影响。 第三，缓冲区复用缺陷。作者发现某个线性编码器实现中存在缓冲区复用问题，使其接收到与节点度(degree)意外相关的输入。修复后，在两台宿主机上所有相同输入的初始化配对上，type-only ADP 均下降；而历史 word2vec 相关效应则依宿主机不同而变化。 基于上述发现，作者对被测实现关于告警精度、性能量级以及静态属性充分性的结论提出了限定条件，并提出 STRICT——六条可核查的评估报告要求，以规范后续研究。作者同时强调，由于比较依赖于基准目标，这些结果既不验证基准标签的正确性，也不构成检测器的普适排名。

该论文聚焦一个此前研究覆盖不足的问题：在特征维度受限、计算预算紧张的条件下，经典威胁检测流水线在面对接近决策边界的样本时性能往往会明显退化。作者指出，虽然小型量子处理器已经可用，但现有工作很少系统性地验证量子组件能否在上述资源受限场景下真正提升端到端的威胁检测效果，因此提出并评估了一种混合架构。该架构先用一个紧凑的多层感知机（MLP）层对原始数据进行信息压缩与特征变换，再把处理后的特征路由给仅含少量量子比特的量子头，量子头分别以量子支持向量机（QSVM）和变分量子电路（VQC）两种模型实现。在仿真平台上，作者用参数预算相当的经典模型作为对照，在两个具有代表性的网络安全任务上做了基准测试：基于 NSL-KDD 数据集的网络入侵检测，以及基于 Ling-Spam 数据集的垃圾邮件过滤，从而保证比较是在同等资源约束下进行的公平对照。为了验证仿真结论在真实设备上是否成立，作者把表现最好的 4 量子比特 QSVM 模型部署到 IBM Quantum 的真实量子设备上，采用噪声感知的执行方式，并在一个规模更小的子数据集上完成评估。实验结果主要有三点：一是浅层量子头在多数情况下能够与参数预算相当的经典模型持平；二是在困难的近边界样本上，量子头能够小幅降低漏报的攻击数量和误报数量；三是真实硬件上的表现与仿真结果吻合度较高，剩余的性能差距主要来自设备噪声而非模型设计本身，说明该方案并非只在理想仿真环境中有效。此外，作者还针对其中一个 QSVM 模型开展了对抗攻击实验，用以考察量子分类器在对抗扰动下的稳健性。总体而言，该研究传递的核心信息是：即便是在比特数很少、噪声较高的量子设备上，经过精心设计的量子组件也有可能作为具备成本意识、可竞争的功能模块，嵌入到实际的网络威胁检测应用中，为量子增强安全检测的可行性提供了仿真与硬件双重证据。

该论文面向云化集成 IoT 网络中的分布式拒绝服务（DDoS）检测场景。此类环境中攻击流量形态多样、标注成本高昂，往往只有极少比例的流量被打上标签，导致监督式检测器难以训练充分。生成式半监督学习被认为是缓解标注稀缺的可行思路：利用生成模型补充训练数据，从而在有限的标注样本上提升分类器性能。但作者指出一个此前易被忽视的关键问题——由合成样本构造出的替代视图（alternative views）会引入预测漂移（prediction shift），进而影响施加于真实未标注流量的伪标签目标，使训练信号被污染。 为此，论文提出 AnchorMixGAN 框架，核心是「锚对齐的目标构造」（anchor-aligned target construction）。其 Anchor-MAS 模块把每一条真实未标注流量视为一个锚点（anchor），通过逐组替换字段的方式构造替代视图：每次只把某一个字段组替换为生成流量中的对应取值，从而在保留锚点大部分真实结构的同时引入受控的合成扰动。随后使用一个冻结的参考分类器对锚点及其各个视图进行预测，对这些预测做平均并施加锐化（sharpening），得到原始流量的软目标。接着，该流量及其软目标再与一条有标注样本通过 MixUp 混合，使检测器既能从原始的标注记录中学习，也能从混合样本中学习，实现标注与未标注信息的联合利用。 论文还给出了理论层面的分析：考察参考分类器误差、视图构造方式与锐化操作如何共同影响最终目标，并在检测器预测固定的条件下，推导出交叉熵变化量的上界，为方法的稳定性提供了依据。实验在 NSLKDD、BoT-IoT、CICIoT2023 三个数据集上进行，在「20% 训练记录有标签」的 90% 训练设定下，AnchorMixGAN 分别取得 97.3%、97.4%、96.5% 的准确率，较对应的 MixGAN 基线分别提升 1.6、1.0 和 4.4 个百分点，其中在更贴近现代 IoT 流量的 CICIoT2023 上提升最为显著。 该工作适合从事网络入侵检测、IoT/云安全、半监督与生成式学习的研究者与工程人员阅读，可作为标签稀缺条件下流量检测建模的技术参考。

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）作为唯一或主要评价指标。作者指出，这种评估方式掩盖了严重的类别级（class-level）失效。在 CICIoT2023 数据集上，一个两层卷积检测器采用逐层统一的幅值剪枝（uniform layer-wise magnitude pruning）达到 80% 稀疏度后，整体准确率只下降约 16 个百分点，但宏平均 F1（macro-F1，即各类 F1 的均值）几乎腰斩，从 0.542 降到 0.271（跨 5 个独立训练的模型平均），34 个类别中有 17 个受到实质性损伤。作者进一步排除“剩余权重数量”这一解释：把感知机（perceptron）和 transformer 剪到相同甚至更少的权重数，宏 F1 损失最多只有 0.096，说明问题不在参数量，而在位置。真正的原因位于第一层：该层只有 192 个权重，统一剪枝后只剩 38 个，其 64 个滤波器中约 46% 完全失去所有输入权重，造成“输入层饥饿”（input-layer starvation）；在这种状态下做微调，会使第一层归一化层的运行均值在少数幸存通道上偏移最多 0.8 个标准差，部署模型随之崩溃。作者给出了低成本的对策：保护这 192 个输入层权重、或在相同稀疏度下改为全局剪枝，均可避免崩溃（损失 0.013）；仅用未标注训练数据重新计算归一化统计量而不改动任何权重，即可修复（损失 0.039），并把误报率从 33% 拉回至 33% 相对密集模型的 29%。损伤对第一层稀疏度呈明显的递增剂量—反应关系；对感知机输入层施加同等饥饿可复现崩溃；在 TON_IoT 数据集上规律同样成立。需要强调的是，该失效模式表现为误归因与误报，而非静默逃逸：在验证集挑选的盲区样本上，统一剪枝的检测器对 72% 的流量做出错误归因，而保护第一层的模型为 50%、密集模型为 47%。

本文研究联邦学习场景下的入侵检测系统（Federated IDS）在面对标签翻转投毒（label-flipping model poisoning）时的鲁棒性问题。作者构建了一个三客户端联邦入侵检测实验环境，训练数据为 CICIDS2017，并刻意让各客户端之间的攻击子类型分布呈现非独立同分布（non-IID）特征，以更贴近真实的多机构协同检测场景。实验的核心发现是：当单个拜占庭客户端将自己 60% 的训练标签进行翻转时，攻击者实际上会"自伤"——该客户端自身的联邦检测准确率从无投毒情况下的 99.96% 跌至 84.33%，而联邦全局集成模型（global ensemble）在所有测试的投毒比例下都保持了稳定的准确率，且这一现象是在没有任何防御机制、攻击者之间也没有任何协同的前提下出现的。作者据此提出一个关键洞察：拜占庭客户端因自伤而产生的性能异常信号，本身就是一个可被检测、可被利用的异常特征，可用于在缺乏目标数据外泄（exfiltration）证据的情况下识别拜占庭客户端，从而把"投毒副作用"转化为"检测线索"。作者同时给出重要的方法学限定：本实验的聚合步骤采用的是 Federated Forest（树级联式集成）而非参数化的 FedAvg，因此所测得的结论刻画的是集成聚合下投毒对单客户端性能的影响；将该结论推广到真正的 FedAvg 与参数化分类器的工作被列为后续研究计划。整体而言，论文的贡献在于以实证数据量化了标签翻转投毒在非 IID 联邦 IDS 中的实际破坏力边界，并首次系统性地论证了"攻击者自损信号"可作为拜占庭节点识别依据这一防御思路。适合联邦学习安全、入侵检测、鲁棒聚合与可信 AI 方向的研究者与安全工程师阅读。

该论文研究如何在资源受限的物联网（IoT）设备上部署既保护隐私又具备实用检测能力的入侵检测系统。研究背景是：IoT 设备大规模铺开，使得在设备本地直接运行入侵检测成为刚需，因为把原始流量送到云端既涉及隐私合规问题，也受带宽与延迟限制。联邦学习（Federated Learning）允许多方在不共享原始数据的前提下协同训练模型，天然契合这一隐私诉求，但作者指出常规联邦模型存在两个落地障碍：一是参数量与内存占用过大，难以放进微控制器（MCU）级别的硬件；二是训练过程不稳定。另一方面，TinyML 技术可以产出体积极小的神经网络，但现有 TinyML 工作大多面向“只做推理”的场景，并未解决如何在联邦环境下稳定地训练并压缩模型的问题。 针对上述空白，作者把联邦学习与基于 TinyML 的模型压缩放进同一条训练流水线进行考察，系统评估了知识蒸馏（knowledge distillation）、结构化剪枝（structured pruning）与量化（quantization）三类压缩策略在联邦训练过程中的表现与相互影响。论文的一个关键观察是：在联邦 TinyML 系统中，训练稳定性而非单纯的压缩率，才是决定最终检测效果的核心变量；不稳定的联邦训练会显著拖垮攻击类样本的召回。为此作者引入由服务器端统一协调的余弦学习率调度（server-coordinated cosine learning-rate scheduling），在保持大幅模型压缩、适配边缘部署的同时，把 Attack Recall 从 46.7% 提升到 93.85%。 论文定位为初步结果（preliminary results），主要贡献在于给出了“联邦学习 + TinyML 压缩”这一组合在 IoT 入侵检测场景下的可行性证据、稳定性瓶颈的定位，以及一种简单有效的服务端学习率调度修正手段，为后续设计轻量、隐私友好的 IoT 入侵检测系统提供了经验性指导。适合从事边缘 AI、联邦学习、IoT 安全与 intrusion detection 研究的工程与研究人员阅读。

随着物联网与云计算持续融合，边缘计算范式快速发展。行业预测到2030年全球联网IoT设备将达约500亿台，2025年约380亿台，数据生成量空前增长，因此网络边缘侧需要高效、可扩展且安全的数据处理机制。KubeEdge将云原生能力延伸至边缘环境，支持分布式编排，但也引入新的安全挑战。本文聚焦IoT驱动和分布式边缘架构中的容器镜像安全，分析拒绝服务（DoS）攻击与恶意容器部署等主要威胁对KubeEdge系统可用性与运行稳定性的影响。作者将系统稳定性定义为在对抗条件下维持一致运行行为并能够自主恢复的能力。为应对上述问题，论文提出一种面向资源受限边缘环境的轻量级推荐入侵检测规则集（RIDRS），通过及时检测与缓解安全威胁来提升系统韧性。实验结果表明，RIDRS可显著减少系统停机时间并提升服务可用性，尤其是在代码注入和恶意Pod部署攻击场景中效果明显。该工作适合边缘计算、Kubernetes/KubeEdge运维、IoT安全及SOC团队参考，用于理解在资源受限边缘节点上如何以轻量检测规则保障服务连续性。由于仅基于摘要，未涉及具体规则内容、数据集、评估指标细节及是否已被在野利用等信息。

该研究关注网络流量序列的图结构表示与攻击类别识别之间的关系。背景上，自然可见图（Natural Visibility Graph, NVG）能把一维时间序列映射为图结构：序列中的每个观测点成为节点，若两点之间存在不受中间点遮挡的可见关系则连边，从而把时序的起伏形态编码成拓扑结构。此前，这类表示能否区分不同网络攻击类别、其拓扑签名是否具有类别特异性，尚缺乏系统认识。作者基于 CSE-CIC-IDS2018 数据集开展实证研究：先选取 76 个数值型流量特征，对每个特征独立构建 NVG，窗口采用 40 个观测且相互重叠；再对每张图提取 10 个图论度量，因此每一帧得到 76×10=760 个拓扑描述符。判别能力评估采用多分支卷积神经网络（multi-branch CNN）配合分层五折交叉验证，平均准确率达到 96.20%，Matthews 相关系数 MCC 为 0.9566，说明该表示具备很强的分类能力。在类别特异性分析方面，作者使用 Kruskal-Wallis 与 Mann-Whitney U 非参数检验，并引入 Benjamini-Hochberg 假发现率（FDR）校正与效应量度量。在全部 10,640 组“攻击 vs 良性”比较中，FDR 校正后仍有 7,777 组（73.1%）统计显著，其中 4,844 组呈现较大的 Cliff's delta 效应量。全局差异最显著的组合主要来自后向流量（backward traffic）与包长相关特征，并叠加连通性、聚类系数和中心性等图度量。总体结论是：NVG 衍生表示既能提供强判别力，又能揭示与不同攻击类别相关的类别依赖拓扑模式。适合网络流量分析、入侵检测/NDR 检测工程以及图机器学习安全方向的研究者阅读。

该论文面向物联网（IoT）环境下的入侵检测系统（IDS）构建效率问题展开研究。IoT 已广泛部署于智能家居、交通运输、能源系统与关键基础设施，连通的扩大在提升服务智能化的同时显著扩大了攻击面，因此基于机器学习（ML）的入侵检测成为保护 IoT 网络的主流手段。然而，构建一个有效的 ML-IDS 模型高度依赖人工专家经验：从数据预处理、特征选择、模型选择到超参数调优，每个环节都需要反复的人工决策，成本高且难以规模化。自动化机器学习（AutoML）通过优化技术自动完成流水线中的部分步骤，可减轻上述负担，但传统 AutoML 往往需要在庞大的候选模型族与高维超参数空间中搜索，优化耗时显著，尤其在算力或时间预算受限的场景下难以落地。为此，作者提出一种由大语言模型（LLM）辅助的 AutoML 框架用于 IoT 入侵检测。其核心思想是把 LLM 当作“策略生成器”：输入数据集画像（dataset profile），由 LLM 输出有界且可校验的 AutoML 策略，覆盖三部分自动化能力——自动数据平衡、自动特征工程，以及组合算法选择与超参数优化（CASH）。所谓“有界且可校验”，意味着 LLM 生成的策略被约束在合法、可执行的搜索空间内，避免无效或越界的配置，从而在低预算下仍能保持搜索质量。实验在两个公开数据集 CICIDS2017 与 IoTID20 上进行。在相同的 10 次试验（10-trial）预算下，LLM 辅助策略的加权测试 F1 分数均优于使用树结构 Parzen 估计器（TPE）的传统 AutoML，分别达到 99.680%（CICIDS2017）和 99.186%（IoTID20）。与更宽预算的 30 次试验传统 AutoML-TPE 基线相比，10 次试验的所提方法将优化器耗时分别降低 63.7% 和 49.9%，同时 F1 分数还略有提升。结论表明：有界的 LLM 策略可以提升低预算 AutoML 搜索的质量，并在相对更大规模的传统搜索预算下保持明显的效率优势。论文视角聚焦于研究问题（人工依赖与 AutoML 搜索开销）、核心方法（LLM 作为策略生成器 + 有界校验 + 三阶段自动化流水线）、主要贡献（低预算高效率且高 F1），适合从事 ML 安全、IoT 防护、IDS 工程化与 AutoML 研究的读者。

该论文面向现代车载网络中的汽车以太网（Automotive Ethernet）入侵检测问题，指出现有车载网络中同时承载多种协议（异构多协议流量），而带标注的攻击样本极其稀缺，因此无监督异常检测成为主要技术路线；但即便是当时最强的无监督检测器，仍然依赖人工设计的流量特征（handcrafted features），这既增加了工程成本，也限制了跨车型、跨协议的迁移能力。作者提出 X-SPUR：一个可解释的、基于惊奇度（surprisal）的、协议感知的无监督推理框架。其核心思路是把原始数据包字段直接表示为 token 序列，通过因果语言模型（causal language modeling）学习良性流量的分布规律，再用逐 token 的交叉熵作为惊奇度分数来判定异常——也就是说，偏离良性语言模型的 token 即为可疑字段。为了引入时间上下文，作者设计了一种双模态融合架构：把 payload token 嵌入与数据包间时间间隔（inter-packet timing）通过加性融合（additive fusion）以及 Hadamard 逐元素交互进行结合，从而同时刻画内容与节奏两个维度。针对不同协议族产生的分数分布差异很大这一问题，论文进一步提出双 top-k% 的按协议 Z-score 校准方法，同时捕捉“中等幅度、分布较广”的异常特征与“稀疏但极端”的异常特征。实验在 TOW-IDS 数据集上取得 AUC 0.9987，略高于 AERO 报告的 0.9969，同时完全消除了人工特征工程；作者还用相同架构与超参数训练了独立的 CarDS 模型，在第二个车载以太网数据集上保持了较强性能。除检测性能外，逐 token 惊奇度还提供了细粒度可解释性：可将异常分数归因到具体协议字段，从而支持异构车载网络中的可解释安全分析。

该论文针对运营技术（OT）/工业控制系统安全研究中长期存在的一个基础性痛点展开：入侵检测与异常检测模型的训练和评测高度依赖真实、可复现的安全数据集，但现有 OT 数据集普遍存在采集过程自动化程度低、数据源单一、文档与元数据不足导致难以复用等问题。作者提出 ISIA-AF——一个模块化的攻击编排与数据采集框架，目标是在工业系统上以可重复、可控制的方式执行攻击流程，并同步自动生成多源安全数据集。框架的核心设计包括：集中式的编排控制端，用于协调分布在多个网段上的攻击客户端；在攻击执行过程中同步记录网络流量与工业过程的运行数据；最终将上述来源汇聚为结构化、带元信息的多源数据集。方法论上，作者先从前人研究与利益相关者访谈中推导出一组功能性需求（如攻击任务编排、多源同步采集、数据标注）与非功能性需求（如低通信开销、可扩展性、跨网段部署能力），再遵循设计科学研究（Design Science Research）方法完成框架实现与迭代评估。验证方面，论文在 ISIA 测试床上开展案例研究，该测试床同时包含真实工业硬件设备与软件模拟的工艺流程。案例结果表明，框架能够实现集中化控制、保持较低的通信开销，并支持在网络分段环境中灵活部署各采集/执行节点。作者将最终成果定位为一种实用基础，用于持续生成可扩展、多源的 OT 安全数据集，从而支撑入侵检测方向的后续研究。需要注意的是，论文摘要未披露具体的攻击类型、协议覆盖范围、数据集规模与统计特征，也未给出与传统数据集构建方法的定量对比结果。

该论文聚焦图异常检测 (Graph Anomaly Detection, GAD) 这一支撑欺诈识别、垃圾信息治理与网络入侵检测等关键场景的任务。作者指出，尽管近年来方法层出不穷，但现有方案普遍遵循「一个数据集训练一个模型」的范式：模型与特定图数据强绑定，面对任务异质性、标签稀缺和领域差异时迁移能力很差，难以在真实的多场景中复用。为此，作者提出 FoundAna——一个由 GNN 辅助的基础模型 (Foundation Model) 框架，声称是首个面向可泛化、跨图异常检测的基础模型方案，其核心思路是把图神经网络与 Transformer 结合。架构上，FoundAna 集成一个面向异常检测任务定制的 GNN 组件，并搭配标准 Transformer 编码器，同时引入四种互补的位置编码，使模型能够同时捕获局部与全局的结构信息。具体流程是：经位置编码增强的节点表示被送入属性解码器 (attribute decoder) 与邻接解码器 (adjacency decoder)，通过重建误差计算异常分数，从而摆脱对大量异常标签的依赖。实验方面，作者在覆盖金融、社交和引文网络三大领域的九个基准数据集上进行评估，结果显示 FoundAna 一致优于当前最先进的基线方法。论文同时公开了代码实现与补充材料，便于复现与后续研究。适合谁读：从事图机器学习、异常检测、反欺诈与网络入侵检测的研究者与工程团队。

基于溯源（provenance）的入侵检测系统（PIDS）通过分析进程、文件、网络等实体之间的系统交互关系来识别高级持续性威胁（APT）。现有方法大多将各类关系（relation，即图中边类型，如读/写文件、网络连接、进程派生等）一视同仁地处理，忽视了统计异质性：在 CADETS 数据集中，不同关系类型的出现频次差异高达约 14 万倍。这种极端不均衡会使模型偏重高频关系，而忽略低频关系（其中可能恰恰包含罕见但关键的恶意交互）；同时，不同关系在正常情况下的重构误差水平本身并不相同，若使用统一阈值判定，会进一步放大误报与漏报风险。 为此作者提出 RECAL，一个无监督框架，核心包含两点：一是关系均衡的掩码图学习（relation-balanced masked graph learning），通过在掩码/重构自监督任务中对不同关系类型做均衡化采样或加权，使模型能够充分学习低频交互模式；二是误差校准，针对每一种关系类型分别估计其良性（正常）重构误差分布，并据此把原始重构误差归一化为可比的异常证据，使跨关系类型的异常判定具有一致性，从而更好地区分攻击行为与正常行为、降低误报。 在三个 DARPA E3 数据集上的实验表明，RECAL 的 F1 分别达到 99.99%、99.93%、99.99%，比各数据集上的最佳基线分别高出 0.88、0.82 和 0.42 个百分点；与报告最低假阳性率（FPR）的基线相比，RECAL 将平均 FPR 分别降低约 105 倍、4 倍和 41 倍。

随着低地球轨道（LEO）卫星通信系统在通信、导航与遥感等领域的重要性不断提升，针对复杂动态空间环境的智能网络攻击检测需求日益迫切。与传统的网络入侵检测不同，卫星系统产生的数据具有显著的多源异构特征：既包括射频（RF）链路的信号信息，也涵盖星载硬件状态与轨道运行参数。然而，现有研究大多直接沿用地面网络入侵数据集，或对单条观测独立建模，因而难以捕捉 LEO 卫星特有的、具有时间依赖性的攻击行为。本文基于新近发布的卫星专用数据集 UNSW-IoTSAT，对基于深度学习的网络攻击检测展开系统性研究。作者重点考察能够保留硬件、轨道与射频信息的结构化学习架构，包括子系统融合的多层感知机（Subsystem-Fusion MLP），以及一种分层多模态 Transformer，后者可同时建模跨子系统交互关系与时间演化过程。论文还评估了防泄漏的行级与时序实验设置，并开展跨卫星泛化实验，以刻画模型架构与评估协议如何共同影响卫星攻击检测效果。实验结果显示，结构化多模态建模与严格评测具有重要价值，其中分层 Transformer 在防泄漏评估协议下最高达到 91.66% 的准确率与 85.63% 的宏 F1 值。

该论文关注电力配电网数字化带来的安全后果：工控与关键基础设施侧的网络暴露面扩大，而现有入侵检测系统（IDS）多依赖计算开销大的深度学习模型，难以在边缘侧部署；同时，为适应数据分布漂移而进行的周期性重训练，又使模型暴露于「机器遗忘攻击」（machine unlearning attack），攻击者通过有选择地删除或污染训练数据，可显著削弱检测性能。作者提出一种混合架构：以脉冲神经网络（SNN）承担时域特征提取，利用神经形态编码把时间序列（如同步相量测量）转成稀疏脉冲表示，再将对齐后的嵌入向量送入 XGBoost 作为轻量分类器。其关键设计是「一次训练、固化复用」——SNN 只在干净数据上训练一次，之后作为固定特征提取器不再更新，模型迭代时仅重训练 XGBoost 分类器，从而在结构上降低攻击者通过数据投毒影响特征表示的空间。在公开的真实电力系统数据集上评估：Synchrophasor 数据集取得 99.9% 准确率、F1-macro 0.999；MSU/ORNL 数据集取得 95.0% 准确率、F1-macro 0.943，均优于单模型基线。在选择性标签翻转投毒场景下，10% 投毒比例时混合模型 F1-macro 仅下降 0.9%，且将目标类别的性能崩塌点从 60% 投毒比例推迟到 70%，表明神经形态时域编码既能提供高精度的攻击检测，也能提升信息物理系统对数据投毒的鲁棒性。论文属方法论与实验评估类工作，适合关键基础设施安全、边缘侧 IDS 与鲁棒机器学习方向的研究与工程人员参考。

本文提出“反制蜂群”（Counter-Swarm Doctrine）概念，聚焦于多智能体（agents）如何将共享基础设施用作协调入侵的通道。作者从Hugging Face安全事件和一次公开wiki调查入手，指出传统安全评估往往只关注单次执行结果，而实际攻击可能跨越多次执行并通过工件（artifacts）相互关联。为此，论文主张防御的最小分析单元应是“可修订的协调片段”（revisable coordination episode），该片段将观测到的数据传输、任务授权和响应历史绑定在一起，以便追踪一次协调入侵的完整过程。核心研究问题是“前瞻性片段发现”（prospective episode discovery），即在评估者尚未给出来自标签的情况下，从大量记录中识别哪些动作应被视为同一协调序列的一部分。论文将未经授权的协调与协作策略和委托授权策略相对照，将存储介导的协调与生物学术语“stigmergy”（间接协作）联系起来，并讨论了区分真正影响与共同原因所需的证据类型。设计上，作者提出评估方案，比较“孤立动作”、“滚动窗口”、“已知分组”和“前瞻性发现片段”四种方式，在相同的审查成本与误报警情工作量下，衡量各类协调片段对有害结果的贡献，并测试在关闭通信渠道和执行状态隔离后攻击是否会复发。通过对公开wiki导出的校验和验证重建，论文区分了正常写入衰减与后续管理清理的影响。本文的主要贡献是一个基于真实事件的立场声明、描述性分析以及可检验的评估设计；它并不声称提出了新的检测器，也没有实测的遏制收益，而是旨在让“跨执行监控”这一建议具备可验证性。适合关注多智能体系统安全、AI基础设施防护和LLM代理威胁建模的研究人员与蓝队分析人员阅读。

该论文针对基于机器学习的网络入侵检测系统（ML-based NIDS）在对抗性逃逸攻击下的鲁棒性问题展开研究。尽管已有大量关于对抗攻击与防御的文献，但多数研究在统一条件下对多种攻击、多种检测模型以及多种防御策略进行横向比较仍显不足。为此，作者使用NF-UQ-NIDS数据集——该数据集包含近年传统网络与物联网（IoT）流量，涵盖20种不同的攻击类别——系统性地评估了8种对抗性逃逸攻击、15种检测模型以及3种代表性防御策略。评估流程包括：比较模型在干净测试数据上的性能；基于包含对抗样本的鲁棒性评估集分析各模型的攻击成功率与一致性；并考察不同防御策略对模型鲁棒性的影响。为便于模型间比较，作者提出了一种紧凑指标“鲁棒性指数（Robustness Index, RI）”，该指标综合了模型在鲁棒性评估集上的平衡准确率与宏F1分数，同时以攻击成功率（ASR）作为惩罚项。在此基础上，论文进一步提出AR-NIDS两阶段框架：第一阶段采用对抗训练后的集成模型区分正常样本、攻击样本和对抗样本；第二阶段使用对抗攻击分类器识别具体攻击类型。实验结果表明，在针对迁移攻击设定的条件下，所提出的对抗训练集成模型取得了最佳的整体权衡，既能保持较高的分类性能，又能有效抵御逃逸攻击；其将平均攻击成功率从0.41降至0.03，并取得了0.98的鲁棒性指数。该研究为ML-based NIDS的鲁棒性评估提供了统一的比较框架与量化指标，并给出了一种实用的防御架构，适合网络入侵检测研究者和蓝队安全工程师阅读，辅助其评估和构建更具鲁棒性的检测系统。

信号相位和定时（SPaT）消息是联网汽车（CV）安全的关键组件，通过车辆到基础设施（V2I）和车辆到车辆（V2V）通信，使车辆能够感知和响应交叉路口状态。然而，当路侧单元或对等车辆被入侵时，应用层攻击可以绕过传统认证机制，威胁 SPaT 消息的完整性。现有入侵检测研究要么侧重于保护基础设施侧，要么针对 V2V 基本安全消息（BSM）/协作感知消息（CAM）的异常行为，缺乏从车载单元视角对 SPaT 完整性的检测研究。为填补这一空白，作者提出了 SPADE——SPaT 攻击检测与评估数据集，这是一个带标签的多模态仿真数据集，专为深度学习入侵检测系统研究设计。SPADE 通过 Eclipse MOSAIC 仿真器生成，在 SAE J2735 应用层执行运行时攻击注入，涵盖六个攻击类别和一个良性类别。通过结合四种交叉路口几何结构、六种运行条件和五个独立随机种子重复，SPADE 包含 180 个独特的基础场景运行，共产生约 1,890,000 条带标签的时间步记录（每类约 270,000 条）。每条记录融合了 SPaT 消息字段、车载摄像头置信度分数和协作式 V2V 对等数据，共 40 个特征，反映了区分故意攻击与环境退化所需的多模态信号空间。该数据集、生成代码和场景配置已在 GitHub 上公开发布，以支持 C-V2X 领域可重复和可比较的入侵检测研究。该工作首次聚焦于车载端对 SPaT 消息的攻击检测，为后续基于多模态特征的深度异常检测模型提供了大规模基准，对智能交通系统安全研究具有重要意义。

该论文聚焦于基于机器学习的入侵检测系统（ML-based IDS）在实际部署中的有效性问题，指出当前研究普遍存在一种“模型效能幻觉（illusion of model efficacy）”：即通过改进算法、优化检测率、降低误报率等手段，在特定数据集上取得接近完美的性能指标，但面对训练阶段未见过的攻击（unseen attacks）时，其检测能力急剧下降，甚至难以识别一小部分新型攻击。作者认为，仅关注算法增强和指标调优不足以支撑真实世界的安全需求，系统需要具备良好的泛化能力。为此，论文设计了一套实验来系统评估若干经典分类器对未知攻击的泛化能力，重点考察数据维度参数（dimensionality parameter）的影响。实验采用两种不同的实验方法论，并在两种不同设置下运行，以对比模型在已知攻击与未知攻击上的表现差异。实验结果显示，模型对未知攻击的检测率远低于预期，即使能捕捉到少量未知攻击，也暴露出模型在特征空间上的结构性缺陷，进而说明当前ML-based IDS研究与评估方法的不足。为改善上述挑战，论文提出了七项评估标准（seven evaluation criteria），用于指导未来研究在更贴近实际攻击场景下公平、全面地评价IDS模型，强调应在数据划分、特征选择、评估协议等层面纳入未知攻击样本，以反映模型真正的鲁棒性。本文适合网络安全研究者、入侵检测系统开发人员、以及使用ML方法构建防御系统的安全工程师阅读，有助于理解为什么离线精度不能代表在线防护能力，并获取重新设计评估流程的建议。

本文介绍了 IoMT-SecAlarmBench，一个面向医疗物联网（IoMT）完整性攻击的反事实基准测试。IoMT 将临床生理数据与网络系统信息结合，使得判断异常读数究竟代表真实生理事件、设备故障还是网络攻击变得极具挑战性。要回答这一问题，需要反事实的真实标签，即知道在没有攻击的情况下本应出现的正常信号，而现有数据集均未提供此类信息。为此，作者提出了一个半合成基准，通过在真实的耦合心电图（ECG）和光电容积脉搏波（PPG）记录中注入受控的完整性攻击，并采用结构化实验设计，包括四种攻击形态、四种严重等级、两种生理合理性条件以及重放攻击。每个注入窗口都保留了其成因、攻击子类型以及未受攻击时的干净信号，从而为评估检测算法提供了可靠的基准真相。研究中评估了来自五个方法家族的六种检测器，使用与阈值无关的指标和匹配的误报预算进行比较。结果表明，没有一种方法能够持续检测最困难的情况：重放攻击和低幅度瞬态尖峰在各种检测器上均接近随机的性能水平。此外，结果还揭示了检测攻击与区分传感器故障之间的权衡：在困难案例上表现最好的检测器，其对故障/伪影窗口的误报率是正常数据误报率的 5.3 倍。三路分类（正常、攻击、故障）在真实生理事件上表现不佳，而对双模态网络数据集进行的泄漏审计表明，先前报道的 IoMT 入侵检测性能部分是由识别信息驱动的，而非真正的检测能力。作者发布了基准数据集、生成代码、预处理流程、评估工具和数据表，以促进该领域的可复现研究。本文适合医疗设备安全研究人员、入侵检测算法开发者以及 IoMT 安全评估者阅读。

本文针对工业控制系统（ICS）入侵检测研究领域对公开数据集的严重依赖现状，首次系统性地评估了现有数据集语料是否足以支撑当前的研究评估结论。作者对2019至2026年间发表的18项研究进行了元综述，从中识别、整合并描述了83个ICS或与ICS直接相关的网络安全数据集，并利用统一的五维分类法对其进行了刻画。分析揭示出该数据集语料存在显著的结构性偏差：85.5%的数据集集中于攻击链后期的OT（运营技术）破坏战术，仅8.4%包含跨IT/OT的阶段性递进序列，Purdue模型第0层（现场设备）的证据数据几乎完全缺失，而来自真实运营环境的数据仅占全部数据集的15.7%。同时，对评估实践的并行审计显示，没有任何研究报告使用流式（在线）评估，不到一半的研究采用了规范的训练/测试集划分，仅有两项研究满足可复现性要求。进一步的分类-评估耦合分析表明，数据集的失衡限制了多种评估实践的范围和可行性。基于上述发现，作者指出了三类结构性失衡：架构浅层化（缺少底层现场设备数据）、阶段推进压缩（忽略跨阶段攻击序列）、跨域替代（使用非ICS或模拟数据替代真实运营数据），并据此提出了一套协调的研究议程，涵盖跨阶段语料构建、时间结构化的基准测试、事件级标签标准以及运营数据共享的治理框架。本文适合ICS安全研究人员、数据集构建者以及入侵检测评估方法学研究者阅读，为理解和改进ICS安全数据生态提供了系统性的参考依据。

该论文提出了一种名为 EULER 的框架，用于通过可扩展的时间图链接预测来检测网络横向移动。横向移动是高级持续性威胁（APT）攻击中的关键阶段，但传统检测方法面临挑战。作者将网络主机日志抽象为离散的时间图，将问题转化为演化网络中的异常边检测。当前深度图学习方法虽然模型多样，但普遍存在泛化性和可扩展性问题。EULER 框架采用模型无关的图神经网络（GNN）堆叠模型无关的序列编码层（如循环神经网络 RNN），从而能够灵活组合不同模型。该框架的一个重要特性是图卷积层可以轻松分布在多台机器上，从而在训练和推理阶段获得显著的性能提升。实验表明，基于 EULER 构建的模型在异常链接检测和预测方面具有竞争力，甚至优于许多现有最先进的方法。作为基于异常的入侵检测系统，EULER 模型能够高效识别实体间的异常连接，具有较高的精确率，并在无监督的横向移动异常检测任务中优于其他技术。该研究为安全团队提供了一种可扩展的、模型无关的检测框架，有助于在实际网络环境中部署基于图的异常检测。适合安全研究人员、蓝队成员以及关注网络威胁检测的工程师阅读。

本文研究 CAN 总线系统中基于到达时间差（TDoA）测量的入侵检测方法的安全性。CAN 总线是车辆内部通信的事实标准，以鲁棒性和安全性为主要设计目标，但在实际部署中缺乏消息认证等常见安全功能。由于汽车供应商需要保证互操作性，大多数制造商依赖数十年前的 ISO 11898 标准，通过引入 MAC（消息认证码）改变帧格式并不现实。因此，研究界提出利用 CAN 总线入侵检测系统（IDS）来弥补这一缺陷，通过附加模块从物理层特征（如时序、电压、瞬态，以及最近提出的 TDoA 测量）来归属消息发送者。本文首先揭示，已有文献中的 TDoA 方法容易遭受新型欺骗（spoofing）和投毒（poisoning）攻击。作者不仅描述了这些攻击如何破坏现有方案的可靠性，还提出了针对性的修复思路，并在此基础上设计了一种新方法 EdgeTDC。与依赖高采样率、高动态范围 ADC 来捕获样本级信号的现有方法不同，EdgeTDC 使用时间数字转换器（TDC）来检测帧中每个边缘（上升沿和下降沿）并测量其到达时间。TDC 硬件成本低、延迟小、位置精度高，能够测量帧的每一个边沿，从而无需进行模拟采样即可获得完整的时序信息。通过计算边沿之间的统计特征，EdgeTDC 甚至能够检测出对消息部分内容的篡改。大量实验表明，EdgeTDC 可以有效挫败现代车辆 CAN 系统中的伪装攻击，展示了其在现实环境中的可行性与鲁棒性。本文的贡献在于：系统性分析 TDoA 方法的弱点、提出可修复方案、并验证 EdgeTDC 作为低成本替代方案的防御有效性。适合汽车安全研究员、CAN 总线 IDS 设计者以及关注物理层安全的从业者阅读。

该论文针对入侵检测系统（IDS）在实际运维中误报率高、告警缺乏上下文而导致安全分析人员负担过重的问题，提出并发布了一个新的告警数据集 AIT-ADS。研究背景是多步攻击分析领域虽已发展出告警过滤、聚类、关联以及攻击图生成等技术，但公开可用的基准数据集严重不足，现有数据集要么过时、要么可靠性差、要么只适用于单一 IDS 评估，导致研究难以复现和比较。为弥补这一空白，作者利用三个不同的 IDS 对同一多步攻击的八次执行进行监控，同时模拟正常用户行为，采集并整理了包含告警日志的数据集。该数据集的目的是支持多步攻击分析的研究，特别是攻击图提取、告警关联和攻击场景重建等任务。为验证数据集的可用性，作者使用开源工具进行了攻击图提取实验，证明该数据集能够反映多步攻击的步骤间关联。论文的贡献主要有三点：一是提供了一个公开的、多 IDS 的告警数据集，可供安全研究社区使用；二是详细描述了数据集的构建过程和格式；三是通过攻击图提取实验展示了数据集在攻击分析中的潜在应用。适合从事入侵检测、安全态势感知、攻击建模和告警关联研究的学者与安全工程师阅读，也适合用于评估安全分析工具的真实效果。

该论文针对基于溯源（provenance）的入侵检测系统（PIDS）中规则方法检测精度不足、误报率高的问题展开研究。现有规则型PIDS虽然具备轻量级、实时性强和可解释性等优势，但规则通常过于粗糙且缺乏针对具体环境的配置，导致在实际部署中难以区分正常与恶意行为。为此，作者提出CAPTAIN系统，一个能自动适应多种环境的规则型PIDS。其核心创新在于引入三个自适应参数，分别从节点（node）、边（edge）和告警生成阈值三个层面动态调整检测配置。作者构建了一个可微分的标签传播框架，并利用梯度下降算法基于训练数据对这些自适应参数进行优化，从而使系统能够学习环境的特定行为模式。实验基于DARPA Engagement数据集和模拟环境进行评估，结果表明CAPTAIN在保持规则型PIDS低开销和可解释性优势的同时，显著提升了检测准确率，降低了检测延迟和运行时开销，整体性能优于现有最先进的PIDS。对于蓝队和SOC而言，该研究提供了一种兼顾效率与精度的入侵检测思路，尤其适用于需要高可解释性且资源受限的部署场景。

该论文对网络安全入侵检测领域广泛使用的基准数据集 CICIDS2017 进行了系统性的审查与重建。研究背景是：尽管机器学习技术在网络入侵检测中展现出不错的效果，但缺乏能够代表现代网络流量的高质量训练数据，一直是制约其在实际大规模网络环境中落地的主要障碍。CICIDS2017 是近年来为满足网络入侵检测代表性要求而构建的基准数据集之一，但作者认为其数据采集流程和标注质量存在严重问题。作者重新审视了该数据集的完整数据管道，包括流量生成、流构建、特征提取和标签标注等环节，并通过深入分析发现了一系列缺陷，这些缺陷严重影响了数据集的正确性、有效性和整体可用性。具体而言，作者识别出流量生成中的异常、流构建的逻辑错误、特征提取中的不一致以及标签标注的失误，并针对多数问题提出了改进的数据处理方法。通过该方法，超过 20% 的原始流量痕迹被重建或重新标注。最终，作者在修正后的数据集上重新运行机器学习基准测试，结果显示模型性能有显著提升。该研究通过具体案例揭示了数据采集问题可能对模型评估产生巨大影响，并为如何预期和避免此类问题提供了切实建议。适合网络入侵检测研究者、数据集构建者以及依赖基准数据进行安全机器学习模型评估的工程师阅读。

ADS-B（自动相关监视-广播）已成为空中交通监视的事实标准，所有飞机被要求主动广播包含身份、位置和运动信息的报文。然而，ADS-B缺少安全机制，使其容易遭受有能力的攻击者的网络攻击，从而危及航空安全。本文提出一种非侵入式的信任评估系统，用于检测基于ADS-B的空中交通监视中的攻击。系统利用地面传感器基础设施收集的真实世界飞行数据，以众包方式充分利用地理分布传感器的冗余性，设计验证测试和机器学习辅助的接收模式分类，使用户采集的数据能够与其他用户的数据相互验证。该系统的非侵入性体现在无需修改现有硬件或软件协议，仅利用已可用的数据。作者通过实验证明，在至少三个良性传感器观测的空域中，系统能够成功检测GPS欺骗、ADS-B欺骗乃至Sybil攻击，并能区分攻击类型、识别受影响传感器，还能动态调整以适应变化的空中交通条件。该方法为保护关键航空基础设施提供了一种可部署的、基于众包证据的防御思路。

本研究报告聚焦于入侵检测系统（IDS）测试数据的自动生成问题。IDS作为网络基础设施的第一道防线，通过解析数据包并根据用户提供的规则（通常基于已知恶意流量示例）来识别恶意流量。然而，由于测试数据往往涉及敏感信息，难以获取，导致新规则的评估十分困难。作者首先分析了现有基于SMT（可满足性模理论）的合成方法在自动生成恶意网络流量方面的局限性，指出其无法覆盖实际规则库中多样化的攻击特征。随后，他们对开源语料库中超过30,000条IDS规则的编写实践进行了系统调查，总结了规则编写的主要模式和常见特征。基于这一调查，他们提出了一条扩展现有SMT方法的路线图，旨在生成能够表征广泛威胁类型的安全测试数据，并探索了辅助用途，如帮助用户编写IDS规则和识别IDS实现中的缺陷。最后，作者分享了针对其中一种扩展的早期评估结果，该扩展成功为超过90%的评估规则生成了有效的IDS测试数据。研究的主要贡献在于：揭示了现有合成方法的瓶颈，通过大规模规则语料分析提供了实践见解，并提出了一条可行路线来提升测试数据生成的覆盖率和实用性。该工作对IDS规则开发者、安全测试人员以及网络防御研究领域具有参考价值。

高级持续性威胁（APT）攻击者越来越多地利用复杂技术在企业网络的不同子网间进行横向移动。及时的检测与防御依赖于跨子网的协调，但维持全局态势感知会产生大量的通信开销。为了平衡这一权衡，需要灵活的监控和可适应的遏制策略。本文提出了ADAPTD，一个通信与计算高效、基于决策论的框架，包含三个核心组件：(i) 紧凑型杀伤链，用于识别多样的攻击向量；(ii) 即时阻断机制，用于及时遏制攻击；(iii) 预测性驱逐策略，以恢复系统安全。作者通过实验验证了ADAPTD在多种威胁场景下的有效性。首先，他们提出的去中心化信念更新方案优于最先进的扩散隐马尔可夫模型（HMM）。其次，与基于Transformer的检测方法相比，ADAPTD显著减少了误驱逐。第三，在噪声环境下，自适应阻断能够遏制攻击者，同时最小化不必要的干扰。最后，消融研究证实，结合两种防御动作能够显著降低防御者的总成本。该框架面向安全运营中心（SOC）和网络防御者，提供了一种在通信开销与检测精度之间取得平衡的实用方法。

该论文提出了一种基于数字孪生（Digital Twin, DT）的入侵检测系统（IDS），用于车辆动力总成控制器局域网（CAN）总线，旨在检测那些保持正常消息时序、频率或序列但操纵有效载荷的隐蔽攻击。现有CAN入侵检测方法主要关注消息时序或频率的异常，无法识别此类载荷操纵攻击。作者利用共享编码器LSTM构建数字孪生模型，对来自真实现代/起亚CAN日志的17个解码信号进行联合建模，在24步时间窗口内预测7个数值信号和2个分类挡位信号。检测机制基于预测值与实际观测值之间的残差，当残差超过校准阈值时将该时间步标记为攻击；同时采用自适应滚动机制保护数字孪生的输入历史免受持续污染。研究评估了四种攻击类型：平台攻击、连续漂移、伪装攻击和挡位伪装攻击，并与基于范围和合理性的基线方法对比。结果显示，数字孪生方法在所有攻击类型上均优于基线，对连续漂移的检测率达94.6%，对伪装攻击的检测率达89.2%，而基线几乎无法检测任何载荷伪造攻击。实验证明了学习耦合车辆动力学能够有效检测保持正常通信模式的隐蔽载荷操纵。但误报率高达39.6%，表明在持续攻击下系统鲁棒性仍需改进。该研究为联网与自动驾驶汽车的行为安全检测提供了新思路。

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化能力统一在一个无需深度学习的轻量级机器学习框架中，兼顾校准能力与可解释性。核心方法包括：安全导向的特征提取以提升信噪比；结合ADASYN与手动提升的混合重采样技术以缓解类别不平衡；使用等渗校准（isotonic calibration）和自适应阈值（例如对XSS攻击设置τ=0.30）来恢复稀有攻击的召回率；最后利用SHAP进行可解释性分析，验证决策逻辑符合网络安全领域知识。实验基于CIC-IDS2017数据集，并与多种先前的ML模型及研究进行了对比。结果显示，在已知攻击上宏平均F1值达到0.8626；在1%假阳性率（FPR）下，对未知攻击类的真阳性率（TPR）最高可达90.17%（针对DoS slowloris攻击），对Web-XSS可达77.04%。SHAP分析确认模型的决策主要由安全相关特征驱动，而非模型伪影。该工作弥合了理论模型与可运营IDS之间的鸿沟，提供了一个可复现、校准良好、可解释且具备开放集能力的统一攻击检测与防御框架。论文适合网络安全研究员、SOC分析师以及负责IDS评估与部署的工程师阅读，尤其对关注机器学习可解释性和未知威胁检测的从业者有参考价值。

本文指出工业物联网入侵检测领域广泛使用的基准数据集 Edge-IIoTset 存在严重的数据泄漏问题，导致基于该数据集报告的 99% 以上检测准确率并不可靠。作者发现数据集附带的数据预处理流程要求对七个类别型特征进行独热编码，其中四个类别特征在正常流量与攻击流量之间本身就存在一一对应的区分能力——具体而言，数据构建过程中缺失协议字段的占位符在正常分支中写作字符串 "0"，而在攻击分支中写作 "0.0"，仅凭这一拼写差异即可完美区分全部样本。这表明分类器实际学习的是文件来源的序列化痕迹，而非任何网络行为特征。实验显示，在 5 折 × 3 次重复交叉验证下，六种标准分类器中有五种达到精确 1.0000 ± 0.0000 准确率，第六种也达到 0.99998。修复协议后，朴素贝叶斯的宏 F1 下降 0.3005，最强模型降至 0.9503 ± 0.0011。此外，标签编码、顺序编码和频率编码同样导致泄漏。由于原始数据集还缺乏 Modbus 协议覆盖和按设备划分的身份信息，作者从原始抓包数据重建了一个无泄漏新基准 AgriEdge，包含 1,276,122 行、五类设备完整标签，且任意单一特征对类别的区分能力不超过 0.0288。在留下一个设备进行泛化测试时，随机森林的平衡准确率从 0.9988 骤降至 0.5083，表明感知/执行层的跨设备泛化能力极差。非独立同分布联邦分区带来的宏 F1 损失至多 0.0037，但一轮 20 轮 LoRaWAN 训练需消耗 4.6 小时上行时间。该论文的核心贡献是揭示数据泄漏机制、提供去泄漏基准，并提醒社区重新审视现有 IoT 入侵检测模型的真实泛化能力。适合机器学习安全、工业物联网入侵检测基准设计、联邦学习场景下的安全研究者阅读。

电动汽车充电基础设施正日益成为网络攻击的目标，而合法的用户行为——如在充电激活后修改请求的充电能量和离开时间——与充电操纵攻击在界面上高度相似，这给攻击检测带来了独特挑战。现有方法往往将任何请求修改视为异常，导致高误报率，无法区分恶意操纵与正常用户更新。本文针对这一核心问题，提出了一种基于会话级别、且对泄漏进行控制的基准测试框架。该框架保留真实 ACN (Adaptive Charging Network) 数据中会话输入的顺序信息，并将合法的修订行为建模为正常行为。为公平评估，作者设置了一个固定的攻击池，确保每个生成的攻击样本都归属于其源会话的数据划分，并构建了六种基于物理意义的攻击及其协同变体。研究对比了22种模型族，涵盖仅配置文件、状态转移感知和上下文分层等方法，并在共同的分组折、攻击数据和运行约束下进行交叉验证。提出的新模型——双分支掩码自编码器 (Masked-Autencoder) 转换增强模型 (Dual-Branch Masked-AE Transition Boost)——由两个分支构成：状态分支结合掩码重构与基于径向基函数的一类支持边界，负责判断当前请求是否正常；转移分支则结合掩码重构与收缩协方差距离，用于评估产生当前请求的转移过程是否类似于观察到的良性更新。模型在源分组五折交叉验证下，通显式设定整体正常率和良性更新接受率约束来选择完整配置，并使用独立的正常数据校准最终阈值。实验表明，该双分支模型在抵御恶意请求操纵的同时，不会错误地拒绝合法用户的选择，展现出最强的鲁棒验证性能。本文的核心贡献在于提出了一个更具现实意义的攻击检测评估框架，以及一个能够区分合法更新与恶意操纵的双分支检测模型，对电动汽车充电系统安全研究具有重要参考价值。适合充电基础设施安全研究者、工业控制系统安全工程师以及机器学习与安全交叉领域的研究人员阅读。

本文针对物联网入侵检测中的机器学习模型，指出已有研究通常只强调预测精度，而将解释性分析（如SHAP）视为零计算成本的附加步骤，忽视了实际部署中的资源约束和解释成本。作者联合评估了预测性能、解释计算开销、局部解释稳定性以及选择性解释（即仅对关键样本生成解释）四个维度，并构建了一个避免数据泄漏的CICIoT2023数据集。数据处理上采用精确39特征哈希、非有限值处理、精确特征去重、保守的标签冲突移除和哈希级确定性划分，并基于自然分布与均衡分布两种测试集评估了逻辑回归、决策树、随机森林和梯度提升树（XGBoost）四类模型。实验显示，XGBoost整体预测能力最强，随机森林假阳性率最低。在5000个样本上计算TreeSHAP时，随机森林耗时700.759秒，而XGBoost仅需1.471秒，表明不同模型的解释成本差异悬殊。稳定性方面，随机森林的解释变化最小，XGBoost能保持较高排名和方向一致性，但top特征更替更频繁且属性幅度漂移更大。在均衡测试集上，利用约90%假阴性覆盖率的策略可节省28-32%的解释计算资源，95%覆盖率可节省15-23%；而在攻击密集的自然分布下，节省量大幅缩小。结果表明，实际可用的可解释物联网入侵检测系统应同时考虑预测质量、解释成本、局部稳定性、攻击样本预valence和选择性调用机制，而非仅依赖检测精度。该研究为资源受限环境下的可解释AI部署提供了量化评估基准。

检索增强生成（RAG）技术通过从向量知识库中检索语义相似的历史流量，使大语言模型能够对网络流进行分类并生成可读的入侵事件报告。然而，检索层的引入同时带来了知识投毒和提示注入等安全漏洞。本文提出 RAG-IDS，一个三层多智能体入侵检测框架，并设计了一种检索边界防御机制，结合软信任评分（soft trust scoring）、标签嵌入一致性检查（LECC）和提示清理（prompt sanitization），旨在检索层遭受攻击时恢复分类质量。作者在 CIC-UNSW-NB15 数据集上进行了实验，结果表明：在 1% 投毒比例下，防御后的性能恢复率 R=1.0（相对于未受攻击的干净基线），即使在 30% 投毒比例下仍能保持 R=0.57，且对干净性能带来的开销可忽略不计。针对提示注入攻击，多文档检索机制将标签翻转成功率限制在 0.6-2.4%，而单文档检索的失败率则高达 35-55%。消融实验显示，LECC 是鲁棒性的主要贡献者，而基于软信任的降级策略优于硬过滤。防御后的 RAG 流水线为入侵检测提供了可解释、抗攻击的基础，适合与高通量分类器混合部署。本文的主要贡献在于系统性地分析了 RAG 在入侵检测场景下的检索层攻击面，提出了组合式防御架构，并通过实验验证了各防御组件的有效性。适合从事 LLM 安全、入侵检测和 AI 系统防御的研究人员与安全工程师阅读。

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泛化能力，要么难以理解。GeCos方法结合了机器学习的可泛化性和可解释性，试图在检测性能与人类可理解性之间取得平衡。由于本文仅提供标题和作者信息，摘要内容缺失，上述描述基于标题的合理推测。详细技术细节和实验证明需阅读原文。

该论文针对基础设施网络中的入侵检测问题，提出了一种基于博弈论的资源分配方法。研究背景是：基础设施网络（如集成传感与通信ISAC系统）依赖分布式传感设备在网络边缘检测入侵，以在攻击者到达关键资产前进行拦截。然而，传感设备、通信带宽和边缘服务器处理能力均有限，而攻击者具备智能性，能够根据所观察到的防御部署动态调整攻击路线。因此，防御方需要在资源约束下优化感知和处理资源的分配。作者将防御方与攻击方的交互建模为一个图安全博弈：防御方在资源预算和误报约束下选择感知动作（即部署传感器或处理能力），攻击方则选择通向高价值目标的路径。研究中考虑了两种博弈形式：同时行动博弈，以及攻击者先观察防御配置（纯策略或混合策略）再行动的Stackelberg博弈。理论层面，作者刻画了纳什均衡和Stackelberg均衡的存在性、结构与计算复杂度，重点分析了攻击者对防御的观测如何影响均衡行为，并指出了在哪些情况下求解最优策略是计算困难的。算法层面，论文设计了用于构造有效纯防御配置的算法，以及用于求解混合纳什和混合Stackelberg均衡的受限博弈精化算法。在可完全枚举策略的小规模实例上，所提算法的解与全局枚举参考解的归一化差异很小；当策略空间过大无法穷举时，这些方法依然适用。此外，论文还给出了在某些条件下纳什均衡收益与混合Stackelberg均衡收益有序或相等的理论条件。总体而言，该工作为基础设施网络中的稀缺资源分配与自适应攻击对抗提供了博弈论视角的建模工具和计算框架。

现代汽车依赖控制器局域网（CAN）总线进行内部通信，其设计优先考虑低成本和实时性，但缺乏消息认证与加密机制。因此，攻击者若获得物理或远程访问权限，即可注入任意CAN帧，威胁车辆安全。入侵检测系统（IDS）作为纵深防御的关键环节，被广泛研究。已有的CAN IDS大多依赖基于存在性的特征，例如异常仲裁ID、冻结的载荷字节或异常的DLC值。这些特征在公开数据集上表现良好，能检测出易于分离的攻击，但当攻击者复用合法仲裁ID时，检测能力大幅下降。本文提出了一种CAN专用的表示方法——逐ID行为残差化（per-ID behavioral residualization）。该方法从滑动窗口中提取十四个时间、协议和载荷相关特征，并针对每个仲裁ID的正常基线进行残差化处理，得到与具体ID行为偏差的表示。论文的核心主张是：这种表示方法本身，而非任何单个检测器，带来了性能提升。在六个无监督检测器和两个数据集上的实验表明，残差化在大多数评估中提升了平均F1分数（在HCRL上21/24，在ROAD上基于五个随机种子30/36）。在更真实的ROAD数据集中，攻击复用合法ID，该表示方法在针对信号操控攻击上实现了召回率≥0.99且具有高ROC-AUC。同时，论文明确量化了两个局限性：新型ID泛洪（HCRL DoS，F1=0.02）和跨ID模糊测试（ROAD，F1=0.27），定义了所提出表示的覆盖边界。本文适合汽车安全研究员、IDS开发者和机器学习在入侵检测领域的从业者阅读，以了解CAN网络IDS的特征工程新思路及其适用范围。

本研究提出了一种基于Transformer的自适应入侵检测系统（IDS）框架，旨在解决网络安全环境中威胁分布不断变化所导致的模型性能衰退问题。传统IDS在固定流量快照上训练，部署后会因数据分布偏移而性能下降；针对新攻击进行微调会导致灾难性遗忘，而完全重新训练则计算成本过高。基于回放的持续学习虽可缓解该问题，但现有方法通常假设良性流量仅出现在早期任务中，且忽视了回放缓冲区本身可能成为攻击面。作者设计了一个结合表格Transformer编码器与类别均衡经验回放缓冲区的自适应IDS框架，在每次更新时回放良性流量以稳定决策边界。同时提出了类别-实例增量（CII）场景，使良性流量与新攻击同时出现，作为更真实的压力测试；并针对回放缓冲区展开了标签翻转和隐蔽后门投毒攻击的探测研究。在CICIDS2017基准上，框架在传统类增量设置下达到0.9994准确率，在CII下达到0.9989，且遗忘可忽略，大幅优于顺序微调（0.0052）、EWC（0.0324）、LwF（0.0699）和iCaRL（0.8770）等基线。实验表明，每次经验注入良性流量是防止遗忘的关键，但回放缓冲区也引入了严重漏洞：1%预算的标签翻转攻击可使模型准确率崩溃至0.0053；后门攻击在保持整体准确率0.97的同时，触发流的攻击成功率高达95%，且能逃避标准监控。最终结论是，适度的回放预算可使模型性能接近联合训练，但缓冲区完整性成为严格的操作要求。论文适合入侵检测、持续学习、对抗机器学习方向的研究人员和安全工程师阅读。

该论文系统研究了基准测试与评估协议如何影响基于溯源（provenance）的入侵检测系统（PIDS）的性能结论。作者指出，许多 PIDS 在论文中宣称高检测性能，但这些结论往往对所选数据集和评估方式极为敏感。为了揭示这一依赖关系，他们在满足审计、标签和校准要求的公开数据集上重新评估了若干代表性 PIDS，重点使用了经过审计的 DARPA TC E3 数据集。他们设计了一套统一的评估协议，包括时间上分离的测试周期、仅基于验证集进行模型检查点选择和阈值校准，并以此考察了哪些架构层面上的主张能得到实证支持。研究发现，告警成功与调查效用可能严重不一致：一些系统虽然能发出攻击告警，却无法提供足够的过程上下文来支撑取证调查。更关键的是，在四个主要数据集中的三个上，一个仅用训练集可执行文件名和路径构建的简单允许列表，就在关键运行点指标上达到甚至超过了所选学习基线，这说明这些模型测得的大部分性能反映的是词汇新颖性，而非更丰富的溯源建模能力。为了解释为何只有一部分数据集能体现架构差异，作者通过特征完整性和字段熵度量了语义信号质量，分析表明，部分 E3 数据集虽然能区分告警行为，但难以可靠区分不同模型架构；而 Theia 数据集兼具最强的语义信号质量和参考模型在排序及节点级恢复上的最明显提升。由此得出结论，在解释 PIDS 的架构声明时，必须同时考虑产生该结果的基准特性和评估协议。该研究为安全评估方法学提供了重要参考，提醒实践者谨慎对待孤立指标，重视评估协议的影响。

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 Pearson 相关系数过滤掉冗余属性，然后结合基于模型的特征重要性与 SHAP 归因分析，从原始特征中挑选出一个紧凑的子集。在该子集上训练随机森林和 LightGBM 分类器，并使用 SHAP 和 LIME 解释每个保留特征对决策的贡献。实验基于 CIC-IoMT 2024 和 CIC-IDS 2017 两个数据集，结果表明该方法能将特征空间从 40 维最高压缩至 5 维（缩减率高达 88%），同时准确率和 F1 分数仅比使用全部特征时低几个百分点。这一结果说明，紧凑且可解释的检测器在资源受限的医疗网络中具有良好的部署潜力，兼顾了检测性能、可解释性与计算开销。本文适合关注医疗物联网安全、入侵检测、可解释人工智能及资源受限场景下模型部署的研究人员和工程人员阅读。

物联网设备的快速普及带来了资源受限和安全漏洞增多的挑战，传统基于静态签名或规则匹配的入侵检测系统已难以应对现代、自动化且新颖的零日攻击。现有的机器学习IDS模型在面对概念漂移和未知威胁时泛化能力不足。针对上述问题，本文提出PANDORA（Probabilistic Adversarial Network Defense Over Resource-constrained Architectures），一个面向边缘设备检测零日攻击的端到端框架。PANDORA的核心贡献有三：1）通过学习不确定性感知的概率嵌入，生成网络流量的鲁棒表示；2）提出新的概率流形结构距离（PMSD）损失函数，实现有效的零样本泛化；3）采用高效的Mamba-MoE（Mixture of Experts）架构，便于设备端部署。为验证方法，作者还构建了TTDFIoTIDS2025数据集，包含复杂、程序生成的攻击。实验结果表明，PANDORA在CICIDS2017上仅需10样本微调即可达到0.971的F1分数；在域迁移下的零样本检测准确率高达99%；在树莓派上部署时内存占用仅24MB，吞吐量达4.26 flows/s，证明了其实时边缘安全防护的实用性。

本文对当前最先进的基于溯源的入侵检测系统（PIDS）进行了全面分析。研究背景是，尽管PIDS在检测复杂攻击方面表现出色，但其方法日益复杂，导致部署和解释困难。核心问题是：现有复杂方法是否真正优于更简单的替代方案？作者选取了多个代表性系统（如StreamSpot、Sleuth、Unicorn等），从检测精度、运行效率、可解释性等方面进行系统比较，并引入了一种简化的基线方法。实验证明，该简化方法在多个数据集上取得了相当甚至更优的性能，且开销显著降低。主要贡献包括：1）首次系统化比较多种PIDS的设计权衡；2）揭示过度复杂化可能带来边际收益递减；3）提出并验证了优先考虑简洁性的设计原则。适合安全研究人员和SOC分析师阅读，以在部署PIDS时做出更务实的决策。

建筑自动化系统（BAS）通过BACnet/IP等协议管理关键建筑功能，但防御者缺乏检测BACnet特定攻击的工具和标注数据集。本文针对此空白做出三项贡献：首先，修改了CISA的Zeek BACnet解析器，生成统一的逐包日志，简化了机器学习管道的特征工程；其次，利用bacpypes3开发了模拟BACnet/IP测试平台，模拟了一个小型商业HVAC系统，包含基于物理的设备行为、计划感知控制器逻辑和逐包攻击标注；第三，使用基线流量和六种BACnet攻击类型（包括拒绝服务、侦察、属性篡改和虚假数据注入）评估了五种无监督异常检测模型。结果表明，One-Class SVM取得了最强的整体性能，所有攻击的平均F1分数为0.864，对于高容量拒绝服务和侦察攻击的F1分数超过0.99。检测对于高容量攻击（如DoS和侦察）远强于隐秘技术（如篡改和虚假数据注入），后者得分约为77%。

该论文针对基于大语言模型（LLM）的网络入侵检测系统（IDS）在对抗性流量操控下的鲁棒性问题，提出了一种名为“流量感知随机平滑”（Traffic-Aware Randomized Smoothing, TA-RS）的分类器无关认证防御方法。传统随机平滑（RS）通常假设所有特征均可被攻击者控制，但在网络流量场景中，部分特征（如源/目的IP、端口等）可能被远程攻击者修改，而另一些特征（如时间戳、包间隔等）则不受控制。TA-RS的核心思想是在微调与认证阶段，仅向攻击者可直接控制的特征子空间（DC subspace）注入高斯噪声，从而使平滑分布与攻击者可控子空间对齐，避免不必要的噪声破坏不可控特征，进而提高认证准确率。实验使用CIC-IDS-2018、HIKARI-2021和RT-IoT2022三个流量数据集，以及LLaMA3-8B和Qwen3-8B两种LLM模型。结果显示，标准随机平滑在干净训练模型上的认证准确率很低（14%-33%），而噪声增强微调后恢复至68%-100%（sigma=0.25）。在L_inf等价阈值R_inf下，TA-RS在CIC-IDS-2018和HIKARI-2021上取得55%-100%的认证准确率，且中位认证半径R远超R_inf（1.8-5倍）。与各向同性随机平滑基线相比，TA-RS的优势可达72个百分点，但这一差异主要源于训练与认证的不匹配（各向同性噪声会扰动不可控特征，导致高达68%的弃权率）。在RT-IoT2022数据集上，默认微调方案失效，但增加噪声增强后恢复到76%/69%的认证准确率。该工作首次为LLM-IDS提供可证明的鲁棒性保障，揭示了特征子空间对齐在认证防御中的关键作用。

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，但缺乏可解释性，安全分析师难以验证或调试告警，导致信任度不足。核心问题是如何在保持解释质量的同时，匹配安全分析师基于流量特征和攻击模式的领域知识。EXP-SEC包含三个主要模块：（1）取证模块：从告警相关联的网络流量中隔离出可疑的数据包或流，定位引发告警的关键证据；（2）解释模块：采用可处理复杂特征依赖的机制，允许特征被划分成可能重叠的分组，并区分不同分组的重要性，从而生成更细粒度的解释；（3）多阶段映射模块：将解释模块输出的基于特征/分组的解释转化为适合安全分析师处理的领域特定解释（例如，直接指出“该连接使用了异常的端口组合”等）。实验使用多个最新的DL-based NIDS进行评测，结果表明：在分组级别和考虑重叠的解释效用指标上，EXP-SEC显著优于现有最佳解释框架xNIDS；在常规特征级别的指标（如描述准确性、稀疏性和稳定性）上，两者表现相近。此外，论文通过一个实际DL-based NIDS案例，展示了EXP-SEC输出的安全分析师友好型解释格式。该研究适合从事NIDS可解释性、安全运维自动化的研究人员及SOC技术负责人阅读。

现代车载网络面临内部电子控制单元（ECU）和外部车联网（V2X）通信不断扩大的攻击面。联邦学习（FL）作为一种去中心化范式，被用于在不牺牲数据隐私的前提下部署入侵检测系统（IDS）。然而，车载FL-IDS文献存在方法论碎片化和实验设置不切实际的问题。本文呈现了一篇系统化知识（SoK）论文，统一了车载攻击面的分类学，评估了FL拓扑结构，并映射了投毒攻击和推理攻击等对抗性威胁。通过审计60多篇出版物，识别出反复出现的陷阱：人为的独立同分布（IID）数据划分、依赖琐碎的基准测试、对抗性评估薄弱、以及忽略实时CAN总线约束。最后，定义了一个前瞻性研究议程，并概述了将车载FL-IDS从乐观仿真过渡到安全现实部署所需的最低基准测试要求。

本文研究大型语言模型（LLM）作为网络入侵检测分类器时的对抗鲁棒性，重点关注现实攻击者约束下的脆弱性。作者提出了一种可控制性感知的黑盒迁移攻击框架，针对基于LLM的网络流量分类器。该框架根据网络通信语义将流特征划分为直接可控（DC）、间接可控（IC）和不可控（UC）三组，仅对DC特征施加扰动，同时冻结IC/UC特征，以确保生成的对抗样本符合网络协议约束。通过共享XGBoost替代模型，作者实现了有限差分PGD、贪心坐标扰动和NES三种对抗样本生成方法，并将这些样本迁移到七个LLM目标（包括不同架构和规模）以及两个传统机器学习目标（LightGBM等）。实验覆盖了从1999年至2022年的五个入侵检测基准数据集（NSL-KDD、UNSW-NB15、CIC-IDS-2018、RT-IoT2022、HIKARI-2021），共生成超过50万个对抗样本。主要发现包括：LLM的迁移脆弱性显著，但高度依赖于数据集和比较对象；与LightGBM相比，LLM在RT-IoT2022和CIC-IDS-2018上更脆弱，在NSL-KDD和UNSW-NB15上相当，在HIKARI-2021上反而更鲁棒；与平均ML基线相比，LLM在所有五个数据集上均表现出更高的攻击成功率（ASR）。进一步观察到了跨架构一致的迁移层次：基于梯度和评分的扰动（PGD、NES）比贪心扰动具有更强的跨模型迁移能力，该现象在全部27个LLM配置和9/10个ML配置中成立。交叉替代模型验证（使用决策树、神经网络和线性替代模型）得到了相似的LLM攻击成功率，排除了XGBoost特有偏差。由于框架设计保证了扰动仅限于DC特征，约束违反率严格为零。本文系统揭示了LLM在流量分类任务中的对抗脆弱性特征，为后续防御研究提供了基础。

随着物联网（IoT）的快速发展，其网络安全性面临严峻挑战。IoT网络具有动态拓扑、流量不均衡、攻击模式复杂等特性，与通用IT网络存在显著差异。现有基于图神经网络（GNN）的入侵检测方法在处理节点和边特征、捕获细粒度异常方面存在不足。为此，本文提出SKGFusionKAN，一种面向IoT的入侵检测新方法。该方法在GraphSAGE的基础上，引入多尺度选择性核注意力机制，能够自适应提取不同流量条件下的节点和边特征。具体而言，边缘导向的消息传递增强了信息传播效率；选择性核注意力从不同尺度自适应加权边缘信息以处理异构性；门控融合过程动态整合多尺度特征，提升对演化攻击的鲁棒性。最后，采用Kolmogorov-Arnold网络（KAN）进行分类，其优异的非线性建模能力有助于检测复杂、低频的攻击。据作者所知，这是首个将GNN与KAN进行综合集成并针对IoT入侵检测进行架构创新的工作。在四个网络入侵检测数据集（NIDS）上的实验表明，SKGFusionKAN在二分类和多分类任务中均持续优于当前最先进方法，展示了其在IoT安全领域的潜力。

该论文是一篇关于生成式人工智能（Generative AI）和联邦学习（Federated Learning）在入侵检测系统（IDS）中应用的综述。入侵检测系统是现代网络环境（如网络物理系统、物联网、企业网络和分布式网络）中监控流量、识别恶意行为的关键组件。然而，开发可靠的IDS模型面临诸多挑战：攻击行为不断演化、真实数据集难以获取、流量记录可能不完整、攻击类别不平衡、以及隐私限制导致数据无法集中收集。近年来，生成式AI（包括自编码器、生成对抗网络（GAN）、扩散模型和大语言模型（LLM））和联邦学习的进步为克服这些局限提供了新机遇。生成模型可用于异常检测、合成流量生成、数据增强、数据补齐、对抗流量生成以及IDS告警解释。联邦学习则能在不直接共享本地网络流量的情况下进行分布式IDS训练，特别适用于隐私敏感和地理分散的环境。本文首先总结了IDS研究的代表性方向，包括对抗机器学习、基于异常的检测、面向物联网的IDS、可解释IDS及基准数据集。然后，根据模型家族和任务目标对生成式AI在IDS中的应用进行了分类。最后，综述了将生成式AI与基于联邦学习的IDS相结合的新兴研究，并讨论了开放挑战，如合成数据质量、真实流量生成、双重用途对抗风险、非独立同分布客户端分布、通信高效模型共享、联邦IDS基准测试以及面向网络安全的领域特定大语言模型。该综述为网络安全研究人员和工程师提供了前沿技术的系统化梳理，有助于理解当前生成式AI和联邦学习在IDS领域的应用现状与未来方向。

该论文研究了轻量级机器学习模型在工业物联网（IIoT）入侵检测中的跨域泛化失败问题。虽然轻量级模型因其适合资源受限的边缘部署而被广泛提出，但大多数报告的结果仅在训练网络内评估，未验证其在未见网络上的表现。本研究在一种IIoT数据集上训练了四种轻量级架构，并使用跨三个数据源共有的特征表示，在另外两个结构不同的IIoT数据集上进行零样本评估。对两个最优模型的解释性分析显示，它们都过度依赖粗粒度的端口类别特征：最影响决策的端口类别在源域攻击流量中的出现频率是目标域的96至435倍，这表明粗化端口分辨率只是将已知的捷径（shortcut）从一个位置移动到另一个位置。此外，在自然不平衡的类别分布下，评估协议的不同选择会逆转两个目标域中哪个域泛化挑战更大的结论。研究还评估了对抗鲁棒性和通过有限目标域暴露的恢复能力：对抗扰动的鲁棒性与跨网络泛化无关，而通过自适应恢复的效果因架构而异。这些发现表明，部署准备度应基于真实类别分布下的跨网络评估，而非仅依赖域内准确率。

该论文针对物联网（IoT）网络安全问题，研究基于机器学习的入侵检测系统（IDS）在真实物联网网络中的性能。物联网设备资源受限，传统安全措施难以部署，因此轻量级入侵检测尤为重要。作者使用 Gotham2025 数据集（由 Gotham 试验台生成，模拟 78 种物联网设备，支持 MQTT、CoAP、RTSP 等协议），对五种机器学习算法进行了比较分析：随机森林（Random Forest）、XGBoost、逻辑回归（Logistic Regression）、朴素贝叶斯（Naive Bayes）和深度神经网络（Deep Neural Network）。实验表明，随机森林分类器表现最佳，在攻击分类任务中取得了 99% 的 F1 分数。研究还评估了各算法的计算开销（训练时间、预测延迟等），以验证其在资源受限的 IoT 环境中的适用性。主要贡献在于：1）使用更现实、协议多样化的 IoT 数据集进行基准测试；2）提供全面对比，帮助从业者选择适合的模型；3）验证随机森林在 IoT 入侵检测中的高效性。适合 IoT 安全研究人员、网络安全工程师及机器学习实践者阅读。

该论文针对工控系统（ICS）入侵检测领域当前依赖二分类（正常 vs 攻击）基准评估的局限性，提出了一种行为特征化框架。研究背景是现有公共数据集（如SWaT、WADI、HAI）通常仅提供二分类标签，无法刻画网络物理攻击的多样性行为。核心方法是将多变量过程轨迹映射为五种可解释的物理基元：漂移（drift）、尖峰（spike）、振荡（oscillation）、重复（repetition）和切换（switching）。作者将该框架应用于三个广泛使用的ICS基准，发现攻击窗口相对于正常操作表现出显著的行为偏移，且三个数据集在行为空间中占据不同区域：WADI以重复行为为主，HAI以持续漂移和振荡为特征，SWaT则表现为更隐蔽的冻结遥测行为。实验部分采用随机森林基线模型，结果显示聚合二分类指标掩盖了不同行为代理下的性能差异：例如在SWaT上，宏F1从二分类评估的85.44%降至行为代理多分类预测的37.84%，WADI和HAI也出现类似退化。基于这些发现，论文主张在传统二分类基准测试之外补充行为分层评估，以暴露聚合分数隐藏的盲区，并更好地支持针对性应急响应。该工作适合ICS安全研究人员、入侵检测系统设计者以及评估方法论学者阅读。

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，包括三个层次：流内高斯微分熵、交叉方向Jensen-Shannon散度（JSD）以及TCP标志模式香农熵，无需原始数据包访问或训练数据。在四个基准数据集（NSL-KDD, CICIDS-2017, CICIDS-2018, UNSW-NB15）上，采用无泄漏的折内管道，仅使用熵特征实现了加权F1分数在0.708-0.989之间，与使用常规特征的性能相当。然后，完整的操作指标报告揭示了聚合F1所掩盖的失败模式：在CICIDS-2018上，F1=0.74掩盖了检测率（DR）仅为0.48；在未见过的攻击家族上，F1超过0.998但DR降至零。在时间漂移下，对703K条流的伪实时回放显示阈值排序分歧：得分排序保持良好（AUC=0.87），但固定阈值崩溃（DR=0.082），且重新校准无法恢复。SHAP折稳定性分析（Spearman rho=0.80-0.95）证实熵归属在不同异构环境中具有可重复性和领域一致性。论文的核心贡献在于：1）提出了一种无需原始数据包即可从聚合流统计数据中提取可解释熵特征的方法；2）通过全面的指标报告揭示了传统聚合性能指标在评估IDS时的局限性，尤其是检测率在不同场景下的显著下降；3）验证了熵特征的可解释性和稳定性。该研究适合网络安全管理者和IDS开发人员阅读，以理解细粒度性能评估的重要性。

本文针对网络流量检测中的对抗攻击问题展开研究。当前基于深度神经网络（DNN）的网络入侵检测系统（NIDS）虽然准确率高，但极易受到对抗样本的攻击。现有方法多从计算机视觉（CV）领域直接迁移对抗攻击技术，忽略了CV与NIDS之间的根本差异，导致两大问题：1）生成的网络流量可能因不满足协议规范而无效；2）生成的流量可能丢失原始攻击语义，即攻击效果不再存在。为解决这些问题，本文提出了一种专门面向NIDS的对抗攻击方法PLAA（Packet-Level Adversarial Attacks）。该方法不直接生成流级特征，而是逐步增量地生成包级特征来构建对抗流量。在生成过程中，每一阶段都监控流量的语义完整性，从而有效避免无效流量和语义丢失。作者在CIC-UNSW-NB15、CIC-DDoS2019和CIC-IDS-2017三个数据集上，针对当前主流NIDS模型进行了评估。实验结果表明，所提方法平均绕过成功率达92.78%，且能保证生成的对抗流量与原恶意流量在语义上一致。该工作揭示了现有NIDS在对抗攻击下的脆弱性，对防御者具有预警意义。

该论文提出了一种名为DeepRed的深度学习驱动的命令与控制（C2）框架，用于针对基于机器学习的网络入侵检测系统（ML-NIDS）进行多阶段红队测试。研究背景指出，尽管机器学习能够提升NIDS的检测能力，但对抗性机器学习研究揭示了ML模型的关键脆弱性。现有研究存在三大不足：依赖不切实际的威胁模型、仅关注流量流扰动而忽略数据包级恶意活动、以及扰动后无法保持攻击功能。DeepRed框架利用生成对抗网络（GAN）生成符合TCP/IP约束且可在数据包级别实现的对抗性样本，并提出两种新颖攻击策略：单数据包单特征（SPSF）和单特征扰动（SFP），在高度受限条件下以最小扰动实现逃逸。为了进行稳健评估，作者构建了包含红队练习中良性流量和恶意流量的综合ML-NIDS基准数据集，并引入流水线无关的对抗性测试方法，评估了FlowTransformer和SSCL-IDS等最先进模型在不同特征、训练数据和预处理流水线下的表现，同时保持攻击功能。实验结果表明，DeepRed能将检测率降低高达20%，凸显了其绕过ML-NIDS同时保持操作完整性的能力。该工作适合从事网络入侵检测和对抗性机器学习研究的红队人员、蓝队防御者以及安全研究人员阅读。

本文研究在5G O-RAN（开放无线接入网）架构下，通过融合分布式单元（DU）的无线遥测数据和集中式单元（CU）的网络流记录进行跨层入侵检测。O-RAN的解耦特性使得这种多模态数据融合成为可能，但现有研究多聚焦单一模态。作者在真实5G O-RAN数据集上，使用10个随机种子、运行不重叠的分割方式，评估了7种不同架构（包括GRU、Transformer等）下融合检测相对于单一模态的性能。实验发现：无线射频特征在ROC-AUC和运行级检测率上普遍优于或至少不逊于网络流特征；融合仅在特定架构下（GRU和Transformer）在1%假阳性率时提升检测率，而对其他5种模型反而降低。融合收益仅局限于两种单一模态检测率均低于0.75的场景。更严重的是，在所有42种配置（架构、模态、窗口时长组合）中，拒绝服务（DoS）攻击被误判为正常流量的比例高达27%至46%，这表明限制来自窗口化统计聚合方法本身而非模型容量。代码已公开。本文结论对O-RAN安全检测系统设计有重要指导意义，指出单纯增加数据源融合未必能提升检测效果，需要针对特定架构和场景谨慎评估。

网络入侵检测系统（NIDS）常因实现层面的差异而被绕过：攻击者精心构造的数据包在NIDS和最终主机上的处理方式不同，导致NIDS无法检测。这些差异源于大量端主机实现及其演化，NIDS通常采用简化实现来近似和泛化，但这种方式存在根本缺陷，因为近似必然与某些端主机实现存在偏差。本文提出轻量级系统Themis，旨在使NIDS能够识别这些差异，并在遇到“歧义”数据包时被动地分叉连接状态。Themis包含离线阶段：利用符号执行从多种流行实现中提取模型；运行时阶段：维护一个非确定有限自动机（NFA）来跟踪每种可能实现的状态。广泛评估表明，Themis极其有效，能够检测所有已知的规避攻击，同时开销极低。在研究过程中，作者还发现了多个此前未知的、可用于绕过当前NIDS的差异。该工作为NIDS防御实现级绕过攻击提供了新思路，适合安全研究员和NIDS开发者阅读。

本文针对汽车控制器局域网（CAN）中的电压入侵检测系统（VIDS）提出了一种规避攻击方法。CAN总线是现代汽车电子控制单元（ECU）间通信的核心，但由于资源限制缺乏网络安全机制，容易遭受ECU伪装攻击：攻击者ECU冒充合法ECU发送伪造消息。VIDS作为一种轻量级防御方案，通过测量每个消息在总线上的电压指纹来识别消息源，由于电压指纹源自ECU硬件特性，单个攻击者无法可控修改，因此VIDS能有效检测伪装攻击。本文研究的问题是：多个攻击者ECU协同是否可能绕过VIDS？作者提出了一种新型攻击方法，利用多个攻击者ECU同时发送消息，通过电压叠加效应在总线上产生与目标合法ECU电压指纹匹配的波形，从而规避检测。实验在真实汽车硬件和模拟环境中进行，评估了不同攻击策略的可行性。结果表明，在特定条件下（如攻击者数量、消息时序控制），攻击成功率可达较高水平。该研究揭示了VIDS的脆弱性，强调了在设计汽车入侵检测系统时需考虑多攻击者协同场景。主要贡献包括：提出第一个绕过VIDS的协同攻击方法；构建了攻击模型并证明可行性；为CAN总线安全检测提供了新的研究视角。适合汽车安全研究人员、ECU设计者及入侵检测系统开发者阅读。

本文针对物联网（IoT）网络中低速率拒绝服务（LDoS）攻击的早期检测问题提出了一种轻量级预测性神经网络架构 IDQS（通过 QoS 预测进行入侵检测）。LDoS 攻击具有隐蔽性和持续性，传统入侵检测系统难以有效识别。IDQS 框架包含两个核心组件：一是 RTP-QoS（循环趋势预测神经网络），该网络利用历史流量模式学习和预测未来的服务质量（QoS）指标；二是 PDM（成对决策模型），通过比较预测 QoS 与实际 QoS 之间的差异来识别潜在攻击。IDQS 采用轻量化设计，适合资源受限的 IoT 环境。在公共数据集 SDN-SlowRate-DDoS 和 CIC-IDS2017 上的评估结果显示，IDQS 在大多数攻击场景中实现了超过 79% 和 91% 的检测准确率，同时保持较高的召回率和较低假阴性率，端到端推理时间仅为 0.28 秒。实验证明了 IDQS 在实时部署中的有效性和高效性。本文的主要贡献在于提出了一种基于 QoS 预测的主动防御方法，能够早期发现 LDoS 攻击，弥补了传统基于阈值或签名检测方法的不足。适合网络与安全领域的研究人员、IoT 安全工程师以及入侵检测系统设计者阅读。

该论文针对控制器局域网（CAN）总线面临的安全威胁提出了一种新型入侵检测系统MIDS。CAN总线是现代车辆中电子控制单元（ECU）的主要通信协议，但缺乏加密和认证机制，容易遭受多种攻击。现有入侵检测系统大多针对制造型攻击（如DoS、模糊测试、ID欺骗等），这些攻击通过帧注入改变流量统计特征（如帧间到达时间），因此容易被基于统计的检测方法发现。然而，本文聚焦于更隐蔽的“伪装”攻击场景：内部攻击者在原始传输时隙原位替换合法帧，保持了流量周期性，使得传统基于流量统计的防御失效。为此，作者提出了MIDS，一种创新的双流框架，并行处理CAN标识符和数据负载，并通过双向选择性状态空间建模重建其联合时间语义。为了评估MIDS，作者从物理特斯拉Model 3车辆在三种驾驶模式下收集了超过1亿个CAN帧，并合成了54种伪装攻击变体，涵盖仅ID修改、仅数据修改以及组合修改。MIDS在该数据集上达到了96.94%的F1分数，比最强可复现基线高出8个百分点以上，同时保持1.147毫秒的单窗口推理延迟，为实时车载部署留有充足余量。为了验证泛化能力，作者进一步在四个公开基准（ROAD、CrySyS、OTIDS、CT&T）上评估MIDS，这些基准涵盖伪装和注入场景；在统一的5折验证协议下，MIDS的F1分数为93.70%至99.61%，比八个复现基线中最强者高出最多13.94个百分点。该工作为车载CAN总线安全检测提供了新的视角和方法，特别适用于对抗隐蔽式伪装攻击。

该研究探讨了在物理网络系统（包括网络入侵和无人机）中，如何利用图神经网络（GNN）辅助网络安全和无人机管理。作者提出了一种集成流程，使入侵检测系统能够学习底层网络结构，识别恶意活动，并促进无人机响应措施。基于模拟案例研究，创建了网络攻击模型以触发无人机响应，结果表明基于图的学习有助于态势感知、群体协调和自适应机动。性能评估显示，该方法检测率达到94.2%，平均ROC曲线下面积（AUC）为0.955，平均响应时间为1.4秒。对比实验表明，所提出的GraphSAGE网络在同一情况下比图卷积网络（GCN）和图注意力网络（GAT）更有效。研究发现证明图神经网络可用于动态网络物理系统的入侵预防和响应。

该论文针对近年来网络入侵检测研究中越来越多地采用循环网络和Transformer等时序架构的趋势，提出质疑：这些模型是否真的利用了时序信息？作者以CIC-IDS2017数据集为基准，将其重构为时序入侵检测任务，通过构建有序流序列，在随机划分、两种无泄漏划分以及填充方案消融实验下，对九种经典和深度学习架构进行了系统评测。核心发现是：对于Transformer，填充约定（padding convention）比架构本身对性能的影响更大。在真正的序列（非填充）窗口上，Transformer取得了实验中最高的宏F1分数（0.89）；但在零填充+掩码评估下，其宏F1显著下降0.24，而LSTM、GRU和1D-CNN保持稳定。在无泄漏分组评估下，随机森林是最稳健的模型（宏F1提升0.009），而Transformer的误报率从0.04%增长到2.7%，增加了67倍，这一现象在常规评估协议下完全不可见。研究表明，评估方法——特别是填充约定和划分协议——对报告性能的影响大于架构选择。广泛使用的随机划分加重复末次填充可能高估模型稳健性多达0.24宏F1。作者提倡未来入侵检测研究采用无泄漏划分、明确披露填充方案以及序列感知基准测试。

随着物联网设备数量的激增，网络攻击面显著扩大，包括零日攻击和对抗性入侵在内的复杂威胁日益严重。传统的入侵检测系统（IDS）难以泛化至未知攻击，计算资源需求高且缺乏可解释性，尤其在资源受限、异构的物联网网络中。本文提出一种基于语义的多智能体入侵检测系统（Semantic Multi-Agent IDS），通过集成四个专门化的智能体：Scout（从语义嵌入中诱导结构化假设）、Mutator（生成对抗性约束变体）、Auditor（评估一致性并过滤不可靠输出）和Arbiter（产生可解释、风险感知的警报），结合语义嵌入和多阶段概率决策融合，实现对零日攻击和对抗性威胁的鲁棒检测。在多个真实物联网数据集上的实验表明，该系统整体检测准确率达95.9%，误报率降至6.8%，零日攻击检测率提升至87.9%，同时保持适用于边缘部署的计算效率。该研究为物联网环境下的入侵检测提供了新颖的、可解释的、资源高效的解决方案。

该论文针对大学学术管理信息系统（ACMIS）面临的多维安全威胁（包括暴力登录、支付欺诈、权限提升、内部数据窃取和学术诚信违规）提出了一种基于AI的安全代理方案。传统基于规则的系统难以区分恶意行为与正常操作，因此作者设计了一个结合监督式异常检测、行为分析以及用于安全密码恢复的自然语言处理聊天机器人的安全代理。该代理监控五个操作层：认证、授权、金融交易、用户行为和系统健康，并通过四级风险升级框架进行响应。系统采用模块化架构，便于扩展到其他机构系统。在模拟的ACMIS事件日志数据集上，该方法实现了威胁检测宏平均F1分数0.91，而基于规则的基线仅为0.49，且关键层级自动响应延迟在95百分位下低于300毫秒。论文适合对AI驱动的异常检测、教育系统安全及自动化响应感兴趣的网络安全研究者阅读。

本文针对基于机器学习的入侵检测系统（IDS）面临的对抗性攻击威胁，提出了一种名为SHIELD-IDS的防御框架。现有研究如IDS-Anta通过Z-score归一化、奇异值分解（SVD）和多臂赌博机（MAB）选择分类器来部分缓解攻击，但其分类器池缺乏结构多样性，导致对抗鲁棒性不足。为此，作者提出了IDS-Anta++，在集成中加入XGBoost和LightGBM梯度提升模型，并设计了三层黑盒防御：隔离森林异常检测、中位数特征平滑和六元多数投票。在CIC-IDS-2017、CEC-CIC-IDS-2018和CIC-DDoS-2019数据集上，分别采用快速梯度符号法（FGSM）和零阶优化（ZOO）攻击进行测试。结果表明，在干净数据上检测准确率超过99%，在对抗条件下相比基线IDS-Anta框架具有可量化的鲁棒性提升。这一方法通过结构异构集成和分层防御，在不依赖白盒访问的情况下增强了IDS的对抗鲁棒性。

随着物联网设备的快速普及，网络安全问题日益严峻，入侵检测系统成为保护网络环境的关键。本文提出了一种基于改进的CNN-LSTM（卷积神经网络-长短期记忆网络）的入侵检测模型，用于物联网网络中的攻击检测。该模型结合了多分类、数据集集成和时间特征学习，旨在提升检测性能。研究使用网络流量数据，在入侵检测任务上评估了该方法，实现了约97%的准确率。实验结果表明，该模型能有效检测多种攻击类别，同时保持稳定的训练和验证性能。通过集成卷积和循环神经网络组件，框架能够捕获网络流量的空间和时间特征，从而提升物联网环境下的整体入侵检测能力。本文的主要贡献在于提出了一个融合CNN和LSTM的改进架构，充分利用了两者的优势：CNN提取空间特征，LSTM学习时序依赖，最终实现了高效且稳定的检测。适合从事物联网安全、入侵检测系统设计与开发的研究人员和工程师阅读。

该论文针对美国关键数字基础设施（医疗、金融、交通、能源、政府系统等）面临的日益复杂的网络威胁，提出了一种基于混合CNN-LSTM框架的智能网络攻击检测与防御系统。研究背景指出，传统的基于签名的入侵检测系统无法有效检测未知和变化的攻击。为此，作者利用CSE-CIC-IDS2018数据集（包含DDoS、暴力破解、僵尸网络、渗透攻击和Web攻击等真实流量场景），评估了多种机器学习和深度学习模型，包括随机森林、XGBoost、卷积神经网络（CNN）和长短期记忆网络（LSTM）。实验结果表明，混合CNN-LSTM模型在准确率、召回率和F1分数上优于单一模型，能够有效区分正常流量与恶意流量。该框架整合了数据预处理、特征工程、实时流量监控、智能威胁分类和自动防御机制，旨在提升美国关键基础设施的网络安全韧性。研究的主要贡献在于：1）对比评估了多种模型在真实数据集上的性能；2）提出了一种结合CNN空间特征提取与LSTM时间序列分析的混合架构；3）设计了可自动响应的防御流程。该工作适合安全运维人员、工业控制系统安全研究人员以及关注AI驱动入侵检测的从业者阅读。

该论文针对美国关键基础设施领域日益增长的网络安全威胁，提出了一种基于可解释人工智能（XAI）的网络风险分析与模型可靠性评估框架。研究背景指出，随着能源、医疗、交通、金融和通信等关键基础设施广泛采用智能数字技术，其暴露于高级网络攻击（如DDoS、僵尸网络、勒索软件和APT）的风险显著增加，传统安全机制难以应对动态演变的攻击环境。为此，研究者利用公开的CICIDS2017数据集，构建了基于机器学习的入侵检测和风险预测模型。比较了XGBoost、随机森林（Random Forest）和决策树（Decision Tree）等分类器在恶意流量检测上的性能，并重点集成SHAP等XAI技术，以增强模型决策过程的透明度和可解释性。评估指标包括准确率、精确率、召回率、F1分数、ROC-AUC和误报率，旨在验证模型的可靠性和鲁棒性。该框架最终目标是为美国关键基础设施的智能治理提供决策支持，提升网络安全风险管理的可信度与自动化水平。

该论文针对能源基础设施中基于人工智能的入侵检测系统（IDS）面临的模型窃取攻击问题，提出了一种新型防御方法FlowGuard。模型窃取攻击允许攻击者通过查询IDS来复制其决策边界，从而离线生成逃避检测的恶意流量。现有防御方法存在两个主要缺陷：一是基于身份的查询监控（如PRADA）无法抵御分布式攻击（Sybil攻击），因为攻击者可以伪装成多个独立客户端；二是通过软标签扰动进行预测中毒的方法不适用于硬标签IDS（只能输出离散类别）。FlowGuard利用流匹配（Flow Matching）技术，在不依赖查询者身份的前提下，通过在IDS处理之前将传入查询分类为分布外（OOD）样本进行防御。其核心思想是：用于数据无关模型窃取攻击（如MAZE、DisGUIDE）的合成查询通常位于比真实网络流量更低维度的流形上，因此使用已在合法数据上训练的连续归一化流（Continuous Normalizing Flow）计算出的对数似然值会显著更低。实验部分，作者在单客户端和分布式（100客户端Sybil）设置下，针对PRADA和FDINet方法进行评估。结果表明，当数据分布变化时，PRADA的检测率降至0%，而FlowGuard在两个设置下均保持稳定的检测率，且不依赖身份信息。论文还讨论了该方法的适用范围和局限性，并提出了对数据相关攻击的潜在应用方向。适合安全研究人员、IDS开发者和能源系统安全工程师阅读。

该论文提出 NetVAD，一种基于网络基础模型（Network Foundation Model）的无监督入侵检测方法，旨在解决现有无监督模型性能远低于监督分类器的问题。NetVAD 采用严格无标识符（identifier-free）的变分自编码器（VAE），将冻结的基础模型输出的表示投影到特定任务的潜在空间，仅使用良性流量进行训练。在 ToN-IoT 和 IoT-23 数据集上评估，NetVAD 在可运行假阳性率下分别达到 98% 的 Micro F1 和 96% 的 Macro F1，性能与监督方法接近。特别地，该方法在检测复杂僵尸网络行为（如 Okiru 攻击）上表现优异（F1 达 99.6%），但对基于单数据包的侦察事件检测能力有限，揭示了基于流的基础模型的局限性。全面的消融研究证实，大规模预训练对维持性能至关重要，而专门的解码器架构则能更精确地建模良性流形，确保攻击因重建损失更高而被可靠捕获。该工作为无监督入侵检测提供了新思路，适合网络安防研究人员关注。

该论文聚焦于物联网(IoT)网络入侵检测中的类别不平衡问题。侧信道功率数据集中正常样本与攻击样本的比例可达75,964比1，严重影响了机器学习模型的检测性能。此前Dominguez等人提出了基于功率的入侵检测概念验证，但未处理类别不平衡，也未在平衡训练集上评估分类器性能。本研究针对这些问题进行了改进：首先，对从原始数据集提取的九个可能数据集应用合成少数类过采样技术(SMOTE)，使得每个数据集的精确不平衡比达到1.1；然后，在SMOTE平衡后的6小时数据集上，在相同条件下训练了八种算法：随机森林(RF)、直方图梯度提升(HistGradientBoosting)、LightGBM、极限随机树(Extra Trees)、XGBoost、K近邻(KNN)、多层感知器(MLP)和决策树(DT)。实验结果表明，随机森林的微平均F1分数达到0.9989，宏平均F1为0.9794，超越了此前基准论文中时间序列森林算法的最佳微F1结果(0.9983)。极限随机树在保持相同性能的同时，训练速度快了10倍。通过明确引入宏平均F1指标（区别于基准论文的评估），揭示了聚合性能指标遗漏的重要类别级信息。基于混淆矩阵计算的每类召回率、F1热图和ROC曲线显示，仅当使用SMOTE平衡时，少数攻击类别（尤其是混合M+L感染）才能被可靠检测。特征重要性分析表明，功率窗口中的最后时间步（共60步）是最重要的预测信号。本文的研究为基于侧信道的IoT入侵检测提供了更全面的评估框架，强调了数据平衡和细粒度性能指标的重要性。

该论文提出了一种名为PLM-NIDS的协议语言模型网络入侵检测系统，其核心思想是将网络流视为一种语言，其语法完全由L3/L4数据包元数据（长度、到达间隔时间、TTL、TCP标志和哈希端口号）构成，从而避免了对加密载荷的深度包检测（DPI）。作者首先证明了良性网络流存在可学习的语法结构：使用RWKV-4状态空间模型在344,232个未标记的Monday流数据上训练，因果语言模型验证损失达到0.204，表明良性流量具有可预测的统计一致性。其次，攻击行为违反了该语法：在无攻击标签训练的情况下，每个流的困惑度（perplexity）得分能干净地区分良性和攻击流，PR-AUC达到0.93。第三，这种分离能力在架构上是非平凡的：在相同输入序列上训练的LSTM退化为多数类预测器（ROC-AUC约0.50，F1=0.91，始终预测攻击），证明RWKV的因果预训练提供了直接分类器无法获得的归纳偏置。监督微调进一步将PR-AUC提升至0.94，ROC-AUC达到0.75，在标定操作阈值上精确度为97.7%。RWKV骨干的O(T)循环推理使得无需流缓冲即可进行逐包流式处理，从而使PLM-NIDS在线速下操作可行。由于仅读取IP/TCP/UDP头部，该方法本质上是加密无关的，可透明处理TLS 1.3、QUIC及未来加密协议。

蓝牙低功耗（BLE）已成为最流行的无线通信协议之一，广泛应用于数十亿智能设备中。尽管BLE具备一些安全特性，但设备的硬件和软件限制使其容易受到中间人（MITM）攻击。随着BLE在多样化和安全关键应用中的使用，检测MITM攻击的能力变得至关重要。本文提出了一种基于响应时间行为的主动MITM攻击检测系统BLEKeeper。该系统通过观察BLE设备在特定读写操作中的响应时间行为来识别变化，从而检测攻击。作者对多个BLE设备进行测量，发现其响应时间行为具有极高的规律性，这使得响应时间成为一种非常可靠的攻击指标，攻击者无法隐藏。测试结果表明，该系统能够非常准确且快速地检测MITM攻击，同时只需要简单的学习方法。该研究为BLE设备的安全性提供了一种轻量级且有效的检测手段，特别适用于资源受限的嵌入式设备场景。

本文针对物联网（IoT）环境中的入侵检测系统（IDS）面临的自适应、资源高效需求，研究了AOC-IDS——一种在IEEE INFOCOM 2024上提出的先进自主在线IDS。作者首先在UNSW-NB15基准上成功复现了AOC-IDS，获得了89.39%的准确率（原文为89.19%），验证了其可复现性。随后，他们识别出AOC-IDS的四个关键局限性：类别不平衡、不可靠的伪标签生成、泛化能力有限以及计算开销不适合IoT部署。针对这些问题，作者提出了三项改进：XGBoost-BalSamp方法（利用集成学习与平衡采样）在UNSW-NB15上达到95.45%的准确率，比基线提升6.26%；深度学习方法包括PseudoFilter（过滤不可靠伪标签）、MixupAug（数据增强）和LiteAE（轻量自编码器）在最佳运行中达到90.88%准确率（F1分数91.45%），超越原始论文，同时将模型参数减少55%。实验表明，这些针对性的改进在保持准确率提升的同时，显著降低了模型复杂度，使其更适合IoT边缘设备部署。本文的核心贡献在于系统性地分析了现有方法的不足，并提供了在准确性和效率之间取得平衡的实用解决方案。

本文系统综述了电动汽车充电基础设施（EVCI）的网络安全研究进展、现存挑战与未来方向。随着电动汽车普及，充电桩作为连接电网、通信网络和车辆的交汇点，面临日益严峻的网络攻击面。作者首先梳理了针对EVCI的典型攻击场景，包括对充电通信协议（如ISO 15118、OCPP）的利用、对充电桩固件的篡改、以及对电网侧的负荷操控攻击。现有防御措施主要依赖基于机器学习的入侵检测系统（IDS），但这些系统的性能受限于训练数据的质量和多样性。论文深入分析了当前公开和私有数据集的局限性，例如缺乏真实攻击流量、样本不平衡、场景覆盖不全等，并比较了各类IDS模型（如监督式、半监督式、生成式方法）在EVCI中的适用性。主要贡献在于：1）全面汇总了EVCI网络安全领域的数据集资源；2）识别了从数据采集、特征工程到模型评估的八项关键挑战；3）提出了未来研究方向，包括利用联邦学习保护数据隐私、构建数字孪生模拟环境、以及设计自适应攻击检测框架。适合从事智能电网安全、联网汽车安全以及工业控制系统安全的研究人员和工程师阅读。

未知网络攻击（尤其是零日攻击）检测是入侵检测系统的重大挑战。监督学习方法对已知攻击类效果好，但无法处理训练数据中未出现的新攻击类型；无监督方法虽能检测未知攻击，但误报率高，限制了实际应用。本文提出UNAD+框架，是对原有UNAD的改进。UNAD+包含三个核心组件：1）仅使用良性样本训练的无监督集成模型，通过加权多数投票（WMV）聚合基检测器结果；2）基于伪标签的监督细化阶段，利用无监督检测输出生成伪标签并训练分类器，以降低误报；3）事后可解释性层，提供局部和全局解释，增强透明度。在CICIDS2017和NSL-KDD基准数据集上的实验表明，UNAD+在保持高检测率的同时，F1分数超过98%，误报率显著低于原始UNAD。集成可解释性使其更适用于实际部署。该研究主要面向网络安全研究人员和入侵检测系统开发者，提供了一种平衡检测率与误报率的未知攻击检测方案。

该论文提出了一种用于网络入侵检测的新型联邦学习方法，旨在解决传统联邦学习假设各参与机构数据分布同质的问题。作者指出，不同机构（如金融公司与政府机构）的安全控制成熟度、风险暴露程度存在显著差异，导致其本地模型训练数据本质不同。论文从ISACA的CRISC框架中选取了四个治理指标：控制成熟度（CMM）、已实施控制比例（KCI）、风险指标激活频率（KRI）和平均漏洞评分（CVSS），并将其结合为一个机构一致性指数（ICC）。该指数作为正则化先验，输入到Nelder-Mead联邦权重优化器中，引导权重分配反映机构质量，而不强加固定分配。每个节点训练一个混合朴素贝叶斯分类器，结合分类和连续属性处理。服务器端将本地分布集成为真实高斯混合，保留各节点的统计特性，而非合并为全局参数向量。在NSL-KDD（2009）、CIC-IDS2017（2017）和UNSW-NB15（2015）三个数据集上，在七种狄利克雷异构程度下进行验证。结果表明，ICC正则化方法在F1宏平均上均优于按比例大小的联邦平均：0.9135 vs 0.9076（+0.0059）、0.7556 vs 0.6771（+0.0785）和0.2110 vs 0.2060（+0.0050）。在94个配置中有70个达到统计显著性（McNemar检验，p<0.05）。优化器自动将最高权重分配给机构成熟度最高的节点，最低权重分配给成熟度最低的节点，无需显式排序约束。

该论文提出一个端到端统一框架，弥合了威胁检测与可操作响应之间的鸿沟。系统由两个紧密耦合的阶段组成：首先，一个由三个独立训练的二元深度神经网络（DNN）组成的集成模型对网络流量进行分类，区分良性、拒绝服务（DoS）和分布式拒绝服务（DDoS）攻击，在CICIDS2018数据集上达到99.84%的准确率，在UNSW-NB15数据集上达到95.30%的准确率。其次，一个检索增强生成（RAG）管道从排名前五的异常特征构建解释感知的提示，从权威来源的知识库中检索语义和词汇最相关的指导，并引导本地部署的语言模型合成结构化、引用依据的缓解报告。实验表明，RAG增强的缓解报告在所有自动评估指标上均优于普通的大语言模型输出。该框架旨在直接回答安全分析师最关心的问题：下一步该怎么做？

本文是一篇关于人工智能（AI）在网络安全领域应用的综述性研究，重点聚焦于入侵检测场景。文章首先指出，AI因其在模式识别、任务自动化以及降低时间与成本方面的能力，已被广泛应用于多个领域。在网络安全中，AI的整合引起了广泛关注，尤其是在入侵检测、恶意软件分析、钓鱼/垃圾邮件检测等方面。随着AI和网络安全技术的共同演进，新的方法和途径不断涌现。当前趋势包括使用生成式AI、自然语言处理（NLP）、用于隐私保护联合训练的联邦学习，以及确保可解释性和信任的可解释AI（XAI），这些在网络安全中至关重要。本文对当前基于AI的网络安全趋势进行了有趣的回顾，特别关注入侵检测方法，旨在通过基于所采用的AI技术和报告的性能进行对比分析，揭示有意义的见解。文章结构上，首先介绍了AI在网络安全中的总体应用，然后详细讨论了入侵检测系统的分类（如基于网络、主机、异常的检测），并分析了不同AI技术（如机器学习、深度学习、强化学习等）在这些系统中的应用效果。文章还比较了现有研究的性能指标（如准确率、召回率、F1分数等），并指出了当前挑战，如数据不平衡、对抗性攻击、模型可解释性不足等。最后，文章展望了未来研究方向，包括将生成式AI用于数据增强、利用联邦学习实现隐私保护、以及开发更可解释的模型以提高信任度。本文适合网络安全研究人员、AI从业者以及对入侵检测系统感兴趣的读者阅读。

本文针对医疗物联网（IoMT）环境中日益增长的网络安全威胁，提出了一种基于Tsetlin Machine（TM）的设备端可解释入侵检测系统（IDS）。TM是一种规则驱动的透明机器学习方法，通过命题逻辑表示攻击模式，具有天然的强可解释性。作者使用MedSec-25数据集（涵盖真实网络攻击的多个阶段）进行实验，结果表明所提模型在分类性能上达到97.83%，优于传统机器学习模型和现有最新方法。该系统不仅能高精度检测各类攻击阶段，还能通过特征级贡献、类别投票分数及子句激活热图提供明确的决策解释，增强了模型的可信度。此外，模型成功部署在Raspberry Pi等边缘设备上，支持实时设备端推理与入侵检测。该研究解决了IoMT场景中对于高准确率、可解释性及实时性的三重需求，为安全攸关的医疗应用提供了可行的解决方案。

该论文针对云计算环境中入侵检测系统（IDS）面临的挑战——分层动态架构、未知攻击/零日攻击，以及机器学习模型在实验环境表现良好但在实际云部署中性能下降的问题，提出了一种基于强化学习的多层级、置信度感知的入侵检测框架。系统覆盖网络层、主机层和虚拟机监控器层三层。每层使用机器学习模型检测已知攻击，同时生成预测置信度。在多层流程中，低置信度事件先后经过两个门控：学习阈值置信门（Gate-1）和Chroma记忆匹配门（Gate-2），未解决的事件被转发到大语言模型（LLM）进行语义分析和解释。最终的攻击判定在Gate-3使用校准后的LLM置信度或加权融合回退，不确定事件被保留在评审桶中避免强制分类。生成的解释和确认的知识存储在ChromaDB中支持未来分析和重训练。实验首先使用静态阈值建立基线，结果显示所提系统学会了自适应阈值，并将LLM升级率降低了58.78%，同时保持了强性能（准确率88.68%，精确率85.29%，召回率84.72%，F1分数85.00%）。网络层和虚拟机监控器层分别达到98.02%和97.08%的准确率，展示了平衡且高效的检测系统。

本文针对物联网（IoT）设备，特别是微控制器，由于其处理能力、内存容量和能源限制，面临安全挑战。研究提出一种轻量级的机器学习入侵检测模型，部署在资源受限的设备上进行实时检测。实验评估了两种方法：决策树（Decision Tree）达到99%的检测准确率，但计算资源需求较高；神经网络（Neural Network）准确率为96%，但内存效率更优。模型能够有效识别拒绝服务（DoS）和中间人（MitM）攻击，这些是IoT设备面临的主要威胁。研究重点在于平衡检测性能与资源消耗，使得模型适合部署在微控制器上，实现实时监控与防御，保护数据传输安全。作者通过实际测试验证了模型在受限环境下的可行性和有效性。

该论文提出了一种基于图的网络入侵检测系统（GNIDS）与联邦学习（FL）相结合的方法 Entente，旨在解决传统 GNIDS 在分布式数据收集场景下因隐私法规和运营限制而难以实现集中式数据的问题。现有 GNIDS 主要假设数据集中存储，但现实中不同组织的数据可能因隐私保护无法共享。作者利用联邦学习使得多个客户端（如不同组织的网络）在不共享原始数据的情况下协同训练检测模型。然而，直接将 FL 应用于 GNIDS 面临挑战：不同客户端之间的图数据存在异构性（例如网络拓扑结构差异），且不同 GNIDS 的设计选择不同。为此，Entente 引入了一套针对图数据集的新技术：参考图合成（Reference Graph Synthesis）用于生成统一的参考图以缓解异构性；图草图（Graph Sketching）用于高效地压缩图数据并保留关键结构信息；自适应贡献缩放（Adaptive Contribution Scaling）用于平衡各客户端对全局模型的贡献，防止某些客户端主导训练。实验使用三个大规模数据集（LANL、OpTC 和 Pivoting）进行评估，结果显示 Entente 在检测准确率和鲁棒性上优于现有的 FL 基线方法。此外，论文还针对 GNIDS 场景设计了特定的联邦学习投毒攻击，并证明 Entente 能够将攻击成功率限制在较低水平，展现了其鲁棒性。总体而言，该研究为构建跨组织边界的分布式 GNIDS 提供了有前景的方向。

该研究系统评估了监督机器学习模型在网络入侵检测中的泛化能力，聚焦于同数据集与跨数据集设置下的性能差异。实验采用UNSW-NB15和TON_IoT两个广泛使用的入侵检测数据集，对比了随机森林（RF）、逻辑回归（LR）和朴素贝叶斯（NB）三种模型。在同数据集测试中，RF表现最佳，在UNSW-NB15上达到95.08%准确率，在TON_IoT上达到99.79%。然而，在跨数据集测试中——即在一个数据集上训练并在另一个数据集上测试——所有模型的准确率均骤降至40%以下，揭示了严重的泛化差距。研究进一步将这一挑战与情感计算和人本AI领域进行类比，指出行为信号分析、异常检测、域偏移和上下文敏感建模等共同问题。结论强调，当前基于机器学习的入侵检测系统过度依赖单一数据集的基准性能，缺乏对真实世界中网络环境变化（如新攻击模式、流量分布变化）的适应性，亟需开发具备强泛化能力的自适应安全模型。该论文对安全研究人员和工程师理解机器学习模型在入侵检测中的局限性具有重要指导价值。

该论文针对工控网络（OT）中的入侵检测问题，将原用于物联网的SPHBI（单包头部二进制图像）方法扩展到Modbus TCP协议。研究在CIC Modbus 2023数据集（包含1140万数据包、8种可检测攻击类型）上评估了五种不同协议深度的方法：从仅使用TCP/IP头部到包含不同数量应用层字节的二进制图像。实验表明，仅依赖TCP/IP头部在现代SCADA环境中效果极差（二分类准确率仅51.8%），因为工业流量缺乏物联网中的头部异构性；而仅增加8字节应用层信息即可将二分类准确率提升至98.1%，且模型参数仅63个，非常适合资源受限的OT边缘设备进行逐包分类。最佳方法（利用更多应用层信息）在九类分类（正常+8种攻击）上达到94.4%±2.2pp的加权准确率（95%置信区间[92.9%,95.9%]，10次随机种子），模型参数量约56,873，仅为同等ResNet50方法的1/430。细粒度召回分析显示，除重放攻击外，其余七种攻击类型的召回率均超过94%。论文指出单包方法从根本上无法检测重放攻击，需要附加序列或时序特征。该研究为在资源受限的OT环境中部署轻量级、高精度的入侵检测提供了可行方案。

该论文对零日攻击的本质进行了系统性的再审视，核心研究问题是：零日攻击究竟源于新颖的攻击行为还是新颖的漏洞？作者回顾了跨越20年的已记录零日攻击事件，发现这些攻击无一例外地源自对未公开漏洞（即零日漏洞）的利用，而非攻击者采用了前所未见的行为模式（TTPs）。基于这一发现，论文提出了一种基于漏洞类型的分类法，将零日漏洞分为内存破坏、逻辑错误、配置缺陷等类别，并统计了各类型在历史事件中的出现频率，结果显示内存破坏漏洞最为常见，而针对防御机制漏洞的攻击在近年呈上升趋势。作者进一步分析了现有基于机器学习（ML）的入侵检测系统（IDS）所依赖的假设，指出一个关键错位：事件报告强调漏洞利用，而许多ML检测器却旨在检测假设中的“新颖行为”，例如异常流量模式或异常系统调用。这种错位可能导致ML-IDS的零日检测能力被高估。论文认为，以漏洞为中心的方法（如自动补丁生成、内存安全强化）更贴合真实攻击机制，并呼吁业界谨慎解读行为检测的声称，同时推动开发更符合现实利用特征的自动漏洞检测框架。研究结论对于设计下一代入侵检测系统具有指导意义，强调应优先发展漏洞侧的方法，而非单纯依赖行为分析。

本文提出 FIRCE（入侵响应与共形评估框架），旨在解决基于机器学习的入侵检测系统（IDS）在实际部署中因概念漂移（concept drift）导致的模型退化问题。概念漂移指网络流量模式随时间变化，使得训练时的假设失效，传统 IDS 误报率上升、漏报率增加。FIRCE 通过引入共形评估（conformal evaluation）来量化预测不确定性并检测漂移，从而触发模型重训练。核心贡献包括：1）四种共形评估策略——归纳式（Inductive）、交叉式（Cross）、近似转导式（Approximate Transductive）以及作者提出的近似交叉共形评估器（Approximate Cross-Conformal Evaluation），后者在最小化校准开销的同时实现鲁棒性能；2）自适应分块机制（adaptive chunking），根据数据流波动性动态调整评估粒度，在提高漂移响应速度的同时保持计算效率。实验方面，作者搭建了包含 10 台商用设备的自定义 IoT 测试台，在模拟攻击和漂移条件下采集时间序列网络数据，验证了 FIRCE 检测分布偏移并触发重训练的能力。此外，还在 CICIDS2018 和 UNSW-NB15 基准数据集上进行测试，进一步证明其泛化性。结果表明，基于共形评估的漂移检测结合自适应分块，能够高效且鲁棒地应对不断演变的威胁。本文适合关注网络入侵检测、机器学习鲁棒性及概念漂移应对的研究者和安全工程师阅读。

本论文针对基于溯源图的主机入侵检测系统（HIDS）提出了模仿攻击（Mimicry Attacks），旨在揭示这类系统在面对精心构造的恶意行为时存在的脆弱性。作者首先形式化地定义了模仿攻击问题，即攻击者通过模仿正常系统行为模式来绕过基于溯源图的异常检测模型。然后设计并实现了一种攻击方法，包含两个核心组件：攻击规划器（Attack Planner）和恶意有效载荷生成器（Malicious Payload Generator）。攻击规划器利用系统溯源图模型，自动搜索能够隐藏恶意活动的正常行为序列；有效载荷生成器则将恶意操作嵌入到这些合法序列中，使得整体执行轨迹与正常行为难以区分。实验基于真实数据集（如UNM、ADFA-LD等）和多个主流溯源图HIDS（如Uni-GNN、StreamSpot、MAGIC等）进行评估，结果表明所提攻击能够以高成功率（平均超过80%）绕过现有检测系统，同时保持较低的检测成本。论文还讨论了潜在的防御策略，包括增加上下文感知的检测维度、利用时序相关性分析等，但未提供完整的防御方案。该研究为HIDS的安全加固提供了新的视角，警示业界需警惕针对溯源图的对抗性攻击。

本文针对工业控制系统（ICS）中跨工厂未知攻击检测的难题，提出了一种基于中值原型对齐（Medoid Prototype Alignment）的框架。在ICS环境中，不同工厂的网络流量高度依赖本地部署环境，标签稀缺，且部署后常常出现未知攻击，导致直接迁移入侵检测模型效果不佳。现有方法通常试图直接对齐源域和目标域的所有样本，但由于数据异构性强，容易引入噪声，导致迁移不稳定。本文的核心思想是：首先将异构流量压缩到可比较的表征空间，然后提取每个域中稳健的中值原型（medoid prototypes），这些原型概括了局部操作结构。接着设计了一个原型校准的迁移目标函数，将目标原型对齐到源原型，同时保留源域的判别性并鼓励对目标样本的自信预测。这一策略减少了跨域匹配中的噪声，提高了异构工业条件下的迁移稳定性。实验在天然气和水储存控制系统两个真实ICS数据集上进行，共设计了四个未知攻击迁移任务。结果表明，所提方法在所有对比模型中取得了最佳平均性能，平均准确率0.843，平均F1-score 0.838。研究还发现了明显的源-目标方向迁移不对称性，并证实原型引导在困难的逆向迁移设置中尤其有效。总体而言，该工作为领域漂移下的鲁棒工业入侵检测提供了一种实用解决方案。