XiaoMi-AI文件搜索系统
World File Search SystemIntrusion
朝网络入侵检测的量子增强机器学习
I. i troduction使用机器学习（ML）对安全性违规（ML）进行了广泛研究[1] - [8]。入侵检测系统（IDSS）是用于检测此类活动的工具。网络IDSS（NIDSS）特别检测网络中的恶意活动，并且是该领域中最著名的ML应用程序中的上下文之一[3]。idss和nidss可以分类为基于签名或基于异常的[1]。基于签名的（n）IDS通过将分析的数据流与存储在已知攻击的签名数据库中的模式进行比较来检测攻击。基于异常的（N）ID通常使用受监视系统的正常行为模型和模型外部的平常行为模型检测异常，以异常或可疑。基于签名的IDS可以以高精度检测众所周知的攻击，但无法检测或发现未知攻击，而基于异常的IDS具有该能力。在本文中，我们专注于基于异常的NIDSS。量子计算机，其中包括嘈杂的中等规模量子（NISQ）计算机，旨在利用量子物理学执行超出最强大的古典计算机功能的计算任务，并有可能实现量子至上[9] - [11]。随着QBIT的数量和量子计算机的准确性增加，超过最新经典计算的问题引起了很大的关注。在不久的将来预测了量子优势的明确证明[9] - [11]，并且已经提出了一个论点，即它已经实现了[12]，尽管竞争对手已经提出异议[12] [13]。量子至高无上的结果是，量子计算者可以在学习效率方面二次优于其经典对应物，甚至在绩效方面呈指数级别[10]。这是在网络入侵检测的背景下研究量子辅助机器学习（QAML）的潜力的动机。
QML-IDS：量子机器学习入侵检测系统
摘要 — 量子计算和相关技术的出现为增强网络安全提供了机会。向量子计算能力的转变为制定缓解不断增长的网络完整性威胁的策略铺平了道路。为了应对这一技术进步，我们的研究提出了 QML-IDS，这是一种结合量子和传统计算技术的新型入侵检测系统 (IDS)。QML-IDS 采用量子机器学习 (QML) 方法来分析网络模式和检测攻击活动。通过对公开数据集进行大量实验测试，我们表明 QML-IDS 在攻击检测方面是有效的，并且在二分类和多分类任务中表现良好。我们的研究结果表明，QML-IDS 优于传统机器学习方法，证明了量子增强网络安全解决方案在量子实用时代的前景。索引词 — 量子机器学习、网络安全、量子网络。
室内空气蒸汽侵入缓解方法 - CLU-IN
美国环境保护署 (EPA) 工程问题是一系列新技术转让文件之一，这些文件总结了有关所选处理和场地修复技术及相关问题的最新可用信息。工程问题旨在帮助修复项目经理 (RPM)、现场协调员 (OSC)、承包商和其他场地经理了解评估技术是否适用于其特定场地所需的数据类型和场地特征。每份工程问题文件都是与 EPA 内部的一小群科学家和外部顾问共同开发的，并依赖于同行评审的文献、EPA 报告、网络资源、当前研究和其他相关信息。本文件的目的是介绍有关管理和处理蒸汽侵入建筑结构的“科学现状”。
基于多代理的增强学习网络入侵检测系统
摘要 - 入侵检测系统（IDS）在确保计算机网络的安全性方面起着至关重要的作用。机器学习已成为一种流行的入侵检测方法，因为它能够在大量数据中分析和检测模式。但是，当前基于ML的IDS解决方案通常很难与攻击模式的不断变化的性质和新攻击类型的出现保持同步。此外，这些解决方案面临与阶级失衡相关的挑战，其中属于不同类别（正常和入侵）的实例数量显着不平衡，这阻碍了它们有效检测次要类别的能力。在本文中，我们提出了一种新型的多代理增强学习（RL）体系结构，以实现自动，高效和健壮的网络入侵检测。为了增强所提出模型的功能，我们通过实施加权均方根损失函数并采用了成本敏感的学习技术来改善DQN算法。我们的解决方案引入了一种弹性体系结构，旨在适应新的攻击并有效地适应现有攻击模式的变化。使用CIC-IDS-2017数据集实现的实验结果，证明我们的方法可以有效地解决类不平衡问题，并以非常低的假阳性速率提供精细的攻击分类。与当前的最新作品相比，我们的解决方案在检测率和假阳性速率方面都具有显着优势。索引术语 - 入侵检测系统（IDS），多代理增强学习，深Q网络（DQN），类不平衡，CIC-IDS-2017
通过机器学习方法实时入侵检测
摘要在许多网络安全环境中，敌对行动的实时检测在保护网络基础架构中起着基本作用。在这种情况下，基于签名或异常检测的入侵检测系统（IDS）被广泛用于分析网络流量。基于签名的检测依赖于已知攻击特征的数据库，并且异常检测主要基于人工智能（AI）技术。后者有望实时检测新型的网络攻击。在这项工作中，我们提出了Retina-IDS，该框架将CicflowMeter工具与机器学习技术集成在一起，以分析实时网络流量模式并检测可能提出可能入侵的异常。所考虑的机器学习技术，随机森林和多层网络基于选定的功能，以提高效率和可扩展性。要选择功能并训练模型，我们使用了公共数据集Csecici-IDS2018的版本。通过识别不同形式的入侵，框架的有效性已在实际情况下进行了测试。分析结果，我们得出结论，提出的解决方案显示出宝贵的特征。
保护网络入侵检测模型免于零...
机器学习模型越来越多地用于监视网络流量并检测网络入侵。在本文中，我们开发了一个深度学习体系结构，用于在数据包级别上进行流量监视。尽管从训练分布中提出了很高的准确性，但这些ML模型仍未推广到新颖的投入，这限制了它们在现实世界中的效力，在现实世界中，网络流量正在不断发展，并且新颖的威胁通常会出现。我们的深度学习框架引入了一个保障措施，该保护措施量化了分类模型做出的决定中的不确定性。我们的常规模型学习了DNN的内部特征的阶级条件表示。我们使用数据包级CIC-IDS-2017和UNSW-NB15网络入侵数据集演示了我们方法的有效方法。我们从培训数据中拒绝某些攻击类别来模拟零日攻击。我们的仅编码变压器模型在检测已知攻击时的准确性超过99％，只能对1％的新型攻击进行分类。我们提出的使用标准化流量的模型保障措施可以在检测这些新颖的输入时达到超过0.97的AU ROC。
使用先进的自回旋运动平均值（AARMA）的ECA
摘要。网络入侵ICT经济和物理损害中的关键基础设施。需要进行广泛的研究来识别和减轻电网基础设施的入侵。现代解决方案是使用数据科学时间序列方法根据从传感器收集的电网数据来识别入侵。本文介绍了数据科学时序列建模方法的新愿景，以将其与现有的电力系统安全系统集成在一起。在本文中，高级自回旋移动平均值（AARMA）模型旨在检测给定数据集的可能入侵。攻击预测是一种模型，可以使用传感器的实时数据输入来预测可能的网络入侵。通过研究传感器数据集的统计特性，可能具有高精度约为90％的侵入检测。使用AARMA，操作员拥有一个extect Alert System的好处，以调整其骗局和其他资源分配，以应对影响低的入侵。MATLAB软件用于使用拟议的AARMA模型来监视IEEE 9-BUS和IEEE 33-BUS测试系统，以针对可能的网络攻击。
基于人工智能的网络安全入侵检测的威胁与机遇：综述
系坎伯兰大学计算机与信息系统系，美国肯塔基州威廉斯堡 摘要 互联网使用量迅速增长，尤其是在过去的十年中。随着互联网的广泛使用，网络犯罪在我们的日常生活中以惊人的速度增长。然而，随着人工智能 (AI) 的发展，企业更加专注于预防网络犯罪。人工智能正在成为每家企业的重要组成部分，影响着全球个人。网络犯罪是人工智能开始展示有价值投入的最突出领域之一。因此，人工智能被部署为大多数公司系统的第一道防线。由于人工智能可以比人类更快地检测到新的攻击，因此它是构建更好的网络犯罪保护的最佳选择。人工智能技术在此类技术的开发中也提供了更大的潜力。本文讨论了最近的网络入侵以及人工智能支持的行业如何准备进行长期防御。关键词 人工智能、网络犯罪、网络攻击、机器学习、网络安全、安全分析、分类。1.简介 人工智能正在成为大多数行业的下一个技术运动。过去几年，不同行业通过人工智能的帮助提供不同的服务。与人工智能相关的各种应用使其能够应用于当今的多个行业。与这些应用相关的影响有助于增强人们对人工智能技术的信心。人工智能应用于网络安全的想法也已通过非常有效的系统得到应用。大多数这些系统都通过使用人工智能记录了增加的效益和效率。因此，在构建针对网络犯罪的防御措施中，AI 的全面采用已经过测试并被认为是有效的 [2]。因此，AI 算法对于构建针对网络犯罪的坚实防御至关重要。1.1。网络犯罪的背景 网络犯罪是使用计算机实施欺诈和知识产权盗窃等犯罪行为。因此，网络犯罪是计算机犯罪的另一个名称。攻击者通过多种方式进行网络犯罪 [2]。互联网的发展与全球网络犯罪率在几年内显着上升有关（见表 1）。尽管是一种教育和娱乐工具，但大多数黑客都使用该平台进行不同程度的犯罪。实施犯罪的数字化方式使得抓捕这些犯罪者变得更加困难。随着每一项技术的发展，互联网上的犯罪活动也在增加 [3]。这与攻击者找到实施这些攻击的新方法有关。