Behavioral Residualization for Unsupervised Intrusion Detection in Automotive CAN Networks
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。
#intrusion-detection
共收录 93 条相关情报。
← 返回所有主题Adaptive Intrusion Detection System using Transformer-Based Neural Networks and Continual Learning Approach with Adversarial Investigation
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
How Benchmarks and Evaluation Protocols Shape Conclusions in Provenance-Based Intrusion Detection
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
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
PANDORA: Lightweight Adversarial Defense for Edge IoT using Uncertainty-Aware Metric Learning.
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（P
Sometimes Simpler is Better: A Comprehensive Analysis of State-of-the-Art Provenance-Based Intrusion Detection Systems.
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
Enhancing Attack Detection Capabilities in BACnet/IP Networks Using Machine-Learning Models
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
Traffic-Aware Randomized Smoothing for LLM-Based Network Intrusion Detection
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。
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，
SoK: Federated Learning for Intrusion Detection in Vehicular Networks
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
Controllability-Aware Adversarial Examples Against LLM-Based Network Traffic Classifiers
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
Enhanced Feature Extraction for IoT Network Intrusion Detection Using GNNs and KAN
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
Generative AI and Federated Learning for Intrusion Detection Systems: A Survey
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
Cross-Domain Generalization Failure in Lightweight Intrusion Detection Models for IIoT Networks
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
Comparative Analysis of Machine Learning based Intrusion Detection in Realistic IoT Networks
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
Between Zeros and Ones: Behavioral Characterization Beyond Binary Labeling Across Public ICS Datasets
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
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
PLAA: Packet-level Adversarial Attacks in Network Traffic Detection
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
DeepRed: A Deep Learning-Powered Command and Control Framework for Multi-Stage Red Teaming Against ML-based Network Intrusion Detection Systems.
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
Cross-Layer Intrusion Detection in 5G O-RAN: Gains and Limits of Fusing Radio Telemetry with Network Flow Records
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-