本文是一篇针对少样本学习（Few-Shot Learning, FSL）在网络入侵检测（NIDS）中应用的系统性文献综述。研究背景在于：基于异常的 NIDS 是防御体系的第一道防线，但要让检测系统识别新型攻击，需要大量带标签的攻击样本，而现实中这类标注数据极其稀缺（新攻击类型刚出现时往往只有极少样例）。少样本学习通过在每类仅几个样本的条件下学习，被视为缓解该问题的可行路径。然而现有研究在方法选择、数据集、实验参数和评估协议上差异极大，导致结论难以横向比较，也无法判断哪些方案真正可落地。作者采用类 PRISMA 2020 的系统性综述流程，检索 ACM Digital Library、IEEE Xplore 和 Scopus 三大数据库，初步获得 1,358 条记录，经过筛选、去重与质量过滤后最终保留 21 篇研究。作者对这些研究使用的 FSL 方法、数据集和实验参数进行分类归纳，并对比其报告的性能指标。主要发现包括：元学习（meta-learning）与卷积神经网络（CNN）是最常见的技术路线，分别出现在 8 篇和 10 篇研究中；多数研究在每类不超过 5 个样本的条件下评估（具体设置差异较大）；CIC-IDS2017 与 CSE-CIC-IDS2018 是最常用的评测数据集。作者同时指出关键的可复现性缺陷：大量研究缺失关键超参数说明且未公开源代码，使得结果难以复现，也无法在不同方法之间做直接、公平的比较。该综述的价值在于为后续研究提供了方法和评测协议的统一视角，并明确指出了当前 FSL-NIDS 领域在标准化基准、参数报告和开源复现方面的空白。适合入侵检测研究者、数据集与评测基准建设者，以及在真实环境中部署异常检测系统的安全工程师阅读。

本文针对基于人工智能的网络入侵检测系统（NIDS）在面对概念漂移（concept drift）时性能退化、误报率升高的问题，提出了一种新颖的漂移自适应检测框架 DriftXpert。现有 AI 驱动的 NIDS 通常假设网络流量数据分布是静态的，但在实际动态网络环境中，攻击模式、协议行为和用户习惯会随时间变化，导致模型决策边界不再匹配新数据分布，从而产生严重的性能下降。DriftXpert 采用一种解耦的两阶段离线自适应框架。阶段一引入基于潜在流形偏差的无监督异常度量：通过在高维潜在空间中进行离群点分析，框架能够高灵敏度地检测网络流量的概念漂移事件。阶段二为缓解非平稳分布下的灾难性遗忘，设计了表示一致性对齐策略，约束旧模型与漂移后分布之间的特征映射，使模型既能捕获新兴攻击特征，又能保留对已知模式的判别能力。此外，论文还引入了跨周期神经元权重聚合与选择性冻结机制，在参数空间实现细粒度的知识迁移，有效平衡模型的可塑性和稳定性。在公开数据集上的大量实验表明，DriftXpert 能有效适应漂移数据且不产生灾难性遗忘；在企业网络上的真实世界评估进一步验证了其鲁棒性和实际适用性，可为大量用户提供更好的安全防护。

本文提出并评估了 Slips，一种基于主机行为画像与时间窗口证据聚合的网络入侵检测系统。传统 NIDS 通常以单个数据包或流为分析单元，难以跨越多个连接和较长时间段识别连贯的恶意行为，导致孤立告警难以整合成对主机整体风险的判断。同时，基于数据包级别的特征对复杂 AI 检测而言过于底层，需要额外处理才能在保持低误报率的同时提升准确率。Slips 采用模块化架构：各独立模块不直接产生最终告警，而是上报证据；系统按主机聚合这些证据，并在时间窗口内进行累积分析，最终形成主机级判定。该方法使检测决策具备上下文感知能力，更贴近专家研判逻辑。作者在专家标注的 PCAP 数据集上将 Slips 与 Suricata 进行了对比实验。结果显示，在画像-时间窗口粒度上，Slips 的召回率比 Suricata 高出 83%，F1 分数高出 70%，且两个系统均未产生误报。这表明基于时间窗口的证据累积机制能有效提升检测的上下文一致性，生成更符合专家判断的结果。本文的核心贡献在于：提出一种以主机为中心、时间窗口驱动的证据聚合框架；设计模块化、可扩展的证据上报机制；并通过实验证明其在真实数据上的有效性。适合网络入侵检测、蓝队运营、异常检测以及安全数据分析领域的研究人员和工程师阅读。

该论文针对全球银行网络面临的高级持续性威胁(APT)问题，指出现有网络入侵检测系统(NIDS)在标准基准上表现良好，但在真实银行运营环境中往往失效，主要原因在于通用数据集缺乏金融行业特有的攻击模式，例如与SWIFT和ATM相关的入侵行为。为弥合这一验证鸿沟，作者提出了一种面向行业感知的评估方法，系统性地评估现有NIDS基准数据集对银行基础设施最相关攻击行为的覆盖程度。方法上将MITRE ATT&CK知识库中记录的攻击行为映射到NIDS基准，同时遵循NIST SP 800-94定义的真实传感器限制。利用包含四个最先进模型的多LLM共识引擎，评估了210种银行特定攻击技术，并得出68种网络可观测行为的基线用于系统性覆盖分析。实验基于五个基准数据集，结果显示UNSW-NB15的综合覆盖率最高，加权覆盖得分为82.2%，但其中仅有18.4%是直接的技术级证据；而CIC-DDoS2019对核心银行行为存在89.9%的盲区。这些发现为行业感知的NIDS评估建立了可复现的基础，并凸显了构建银行原生数据集的紧迫性。该研究的主要贡献包括：提出了一种结合多LLM共识的映射方法，量化了现有数据集的覆盖盲区，并为金融领域NIDS评估提供了可参考的基线协议。适合NIDS研究人员、金融行业安全工程师以及MITRE ATT&CK映射分析人员阅读。

该论文针对深度学习网络入侵检测系统（NIDS）评估中的可重复性和公平性问题展开研究。现有评估通常假设数据分布静态，忽略随机性和环境变化的影响，导致报告性能无法反映真实部署情况。作者聚焦于能够感知并适应数据分布偏移的先进模型（shift-aware models），通过控制变量实验，系统分析了随机种子、训练数据划分、超参数、环境噪声等随机和环境因素对F1分数等指标的影响。实验表明，即使是微小的变化也可能导致F1分数大幅波动，影响结果的可重复性；部分因素会显著偏斜性能。基于发现，论文提出了一系列实用建议，包括固定随机种子、使用多次重复实验、报告置信区间、统一评估协议等，以支持深度学习NIDS的公平和可重复评估。该工作对于推动NIDS领域的科学评估方法具有重要参考价值。

该论文针对网络入侵检测系统（NIDS）面临的对抗性攻击威胁，提出了一种混合防御方法。NIDS是保护网络免受未知网络威胁的关键工具，但它容易受到对抗性攻击，攻击者通过构造对抗样本欺骗NIDS，将恶意流量误分类为良性。研究聚焦于两种强大的白盒对抗攻击：快速梯度符号法（FGSM）和Carlini & Wagner（C&W）攻击。作者开发了一种鲁棒的混合防御机制，结合了两种启发式防御方法：对抗训练（AT）和高斯数据增强（GDA）。GDA提供多方向防御，而AT增强NIDS对特定对抗向量的鲁棒性。在预攻击场景下，NIDS表现出良好的准确率和F1分数。但在攻击后，NIDS在FGSM和C&W攻击下的准确率分别显著下降至0.2649和0.4961。所提出的混合防御方法有效缓解了这些对抗威胁，对于FGSM和C&W攻击，防御后准确率分别达到96.57%和89.20%。研究在ε和置信噪声因子值范围（0.0001至0.0009）内评估了防御策略。该研究为安全视角下对抗机器学习这一新兴领域的研究人员提供了方向。适合NIDS安全、对抗机器学习研究人员阅读。

该论文聚焦于网络入侵检测系统（NIDS）规则工程中的自动化挑战。随着网络威胁不断演化，手工编写NIDS规则已成为运维瓶颈。大型语言模型（LLM）虽展现出自动化规则生成的潜力，但其能否产出生产级规则尚未被验证。论文采用以人为中心的视角，首先形式化了一个基于LLM的NIDS规则生成框架，涵盖规则需求分析、生成提示构造、规则生成与后处理等步骤。随后，作者组织了一项包含10名网络安全领域专家的用户研究，让专家评估LLM生成的规则。评估发现了一个“语法-语义悖论”：LLM生成的规则在语法上完全正确（符合规则语言规范），但专家认为仅有部分规则可直接部署，主要问题包括规则特异性不足（过于宽泛或模糊）以及约12%的规则存在逻辑幻觉（即规则逻辑上不合理或无法准确匹配预期流量）。系统可用性量表（SUS）得分为67（中等偏上），但从业者对LLM的自主能力持怀疑态度，更倾向于将其视为辅助起草和验证的工具，而非独立规则生成器。此外，统计分析表明，大规模模型（参数≥70B）能持续生成语法正确的规则，而小模型（参数≤4B）在IDS规则生成方面基本无效。该研究揭示了LLM在安全自动化中的潜力与当前局限，为未来人机协作的安全工程提供了实证基础。

本文研究基于梯度的对抗性攻击对机器学习驱动的网络入侵检测系统（ML-NIDS）的威胁，并提出一种无需显式防御的“无防御”方法：通过精心选择模型架构即可实现固有鲁棒性。作者进行了约2200次实验，在FGSM、PGD和BIM攻击下，系统性地变化网络深度、特征维度、激活函数和dropout。结果表明，较浅的网络、精简的特征集以及ReLU激活函数能够一致且协同地降低对抗脆弱性。一个遵循此原则的简单模型甚至优于更深的、经过对抗训练的完全特征模型，同时保持近乎完美的干净流量检测性能，且训练时间更短。论文强调“少即是多”，但关键在于选择正确的“少”。该研究为构建轻量级、鲁棒的ML-NIDS提供了设计指南。