Jev-IDS: System One Models for Network Intrusion Detection
该论文提出 JEV-IDS，一个面向零日入侵检测的开放式通用网络入侵检测系统（NIDS）实验框架，其核心思路是绕开传统机器学习 NIDS 对大量标注数据和任务专用训练的依赖，同时规避大语言模型（LLM）在流量记录检测中推理成本高、延迟大、输
#NIDS
共收录 13 条相关情报。
← 返回所有主题Unmasking Shortcut Learning in IoT Intrusion Detection: A Forensic, Multi-Paradigm Evaluation of Feature Dependence and Data Leakage
该论文针对物联网入侵检测系统（NIDS）评测中的「捷径学习」（shortcut learning）问题，开展了一次取证式、多范式的系统性评估。研究背景是：基于机器学习的 NIDS 在 IoT 公开基准上普遍报告近乎完美的检测性能，但作者质疑
How It's Made: Uncovering Detection Engineering Processes for Network Intrusion Detection Rules
这篇论文聚焦一个长期被学术界忽视、却对安全运营中心（SOC）日常运转至关重要的环节：基于签名的网络入侵检测系统（如 Suricata）的检测规则工程。作者指出，尽管大量 SOC 依赖 Suricata 这类签名式 NIDS 进行流量侧告警，
Passive Hybrid Network-Based Intrusion Detection System (Hybrid-NIDS) Combining Suricata and Random Forest
该论文评估了一个被动式混合网络入侵检测系统原型的实际效果，系统由三部分组成：Suricata 负责基于签名的流量检测，随机森林（Random Forest）负责流级分类，并通过集中式 ELK 栈完成告警汇聚与处理。作者的核心关切并非再刷一个
Few-Shot Learning for Network Intrusion Detection: Methods, Datasets, and Performance
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
Navigating the Latent Manifold: Proactive Concept Drift Adaptation for Resilient NIDS
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
Defending Network Intrusion Detection Systems Based on Graph Neural Networks Against Structural Adversarial Attacks
本文针对基于图神经网络（GNN）的网络入侵检测系统（NIDS）在面临结构性对抗攻击时的鲁棒性问题展开研究。GNN 能够同时利用网络流特征和拓扑模式，因此被视为一种有前景的 ML-NIDS 解决方案。尽管 GNN 分类器相比其他机器学习检测器
Slips: Behavioral Evidence Aggregation for Network Security
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
Multi-LLM Consensus Framework for Evaluating Banking-Sector NIDS Dataset Coverage of MITRE ATT&CK Techniques
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
Poster: Randomness Unmasked: Towards Reproducible and Fair Evaluation of Shift-Aware Deep Learning NIDS.
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-aw
A Multi-Model Hybrid Defense Approach Against White-box Adversarial Attacks in Computer Network Traffic
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
Beyond the Syntax: Do Security Experts Trust LLMs for NIDS Rule Engineering?
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
A No-Defense Defense Against Gradient-Based Adversarial Attacks on ML-NIDS: Is Less More?
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