Open-World Darknet Traffic Recognition Under Leave-One-Service-Out Evaluation
本文针对暗网流量识别中现有方法依赖封闭世界（closed-world）评估、假设训练与测试阶段所有服务类别已知，从而严重脱离真实部署场景的问题，提出了一种开放世界（open-world）暗网流量分类框架。作者采用留一服务（leave-one
#open-world
共收录 3 条相关情报。
← 返回所有主题Anomaly Detection in the Open World: Normality Shift Detection, Explanation, and Adaptation.
该论文首次系统性地探讨了基于深度学习的异常检测在安全应用中面临的常态漂移（normality shift）问题。传统异常检测模型通常假设训练与部署数据分布一致（闭世界假设），但真实环境中正常行为分布会随时间变化（如网络流量模式、系统调用序列
High-Precision APT Malware Attribution with Out-of-Scope Resilience
该论文针对高级持续性威胁（APT）恶意软件归因问题提出了一种高精度方法。现有方法通常作为闭集分类器在有限数量的已知APT组上进行训练和评估，但在实际运营环境中，分类器可能遇到来自训练中未出现的组的样本，闭集分类器会错误地将这些样本归入已知组