X-SPUR: Explainable Surprisal-Based Protocol-Aware Unsupervised Reasoning for Automotive Ethernet Intrusion Detection
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
#unsupervised-learning
共收录 7 条相关情报。
← 返回所有主题Understanding and Bridging the Gap Between Unsupervised Network Representation Learning and Security Analytics.
本文研究无监督网络表示学习（UNRL）在安全分析（尤其是图安全分析 GSA）中的实际应用效果。随着网络攻击日益复杂，安全分析通过挖掘组织日志（如网络日志和认证日志）来生成防御措施。图安全分析能够建模用户/主机/进程之间的复杂通信模式，已被广
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。
Detecting Unknown Encrypted Malicious Traffic in Real Time via Flow Interaction Graph Analysis.
随着互联网流量广泛加密以保护通信隐私，攻击者也常常滥用加密技术来隐藏恶意行为。由于加密后的恶意流量与正常流量的特征极其相似，传统的检测方法（如基于签名或监督学习）难以有效识别，尤其是面对未知攻击时，因为它们依赖于已知攻击的标签数据集。本文提
HTTP REST API Structure Learning
本文针对 REST API 安全中因文档不完整或缺失导致传统安全方案失效的问题，提出了一种无监督异常检测方法 HRAL（HTTP REST API Learning）。HRAL 直接从网络流量中学习 API 端点结构（如 URL 路径、参数
UNAD+: An Explainable Hybrid Framework for Unknown Network Attack Detection
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。UN
AIRTAG: Towards Automated Attack Investigation by Unsupervised Learning with Log Texts.
本文提出 AIRTAG，一个基于无监督学习的自动化攻击调查框架，旨在从原始日志文本中自动识别攻击事件、生成语义标签并定位根因，无需依赖预定义的攻击知识库或规则。现有攻击调查方法通常需要人工定义攻击模式或依赖规则匹配，难以应对新型或变种攻击。