XiaoMi-AI文件搜索系统
World File Search Systemntru
用于网络入侵检测的对抗性机器学习
一些研究论文研究了基于 ML 的 IDS 面对对抗性攻击的脆弱性，但其中大多数集中在基于深度学习的分类器上。与它们不同，本文更加关注浅层分类器，由于它们的成熟度和实现的简单性，它们仍然广泛用于基于 ML 的 IDS。更详细地，我们评估了 7 种基于浅层 ML 的 NIDS 的鲁棒性，包括 Adaboost、Bagging、梯度提升 (GB)、逻辑回归 (LR)、决策树 (DT)、随机森林 (RF)、支持向量分类器 (SVC) 以及深度学习网络，以抵御几种在最先进技术 (SOA) 中广泛使用的对抗性攻击。此外，我们应用高斯数据增强防御技术并测量其对提高分类器鲁棒性的贡献。我们使用 NSL-KDD 基准数据集 [5] 和 UNSW-NB 15 数据集 [50] 在不同的场景中进行了广泛的实验。结果表明，攻击对所有分类器的影响并不相同，分类器的稳健性取决于攻击，并且必须根据网络入侵检测场景考虑性能和稳健性之间的权衡。
从挑战到机遇：基于AI的车载入侵检测系统的全面研究
摘要 - 对基于ML的车载入侵检测系统（IV-ID）进行了重大研究，但这些系统的实际应用需要进一步完善。IV-IDS的关键性性质要求进行精确和审视的评估和可行性评估指标。本文通过进行严格的基于ML的IV-IDS分析来满足这种需求。我们对最近的汽车取证研究进行了详尽的审查，这些研究焦点介绍了与工具网络相关的约束以及相关的安全/安全要求，以揭示现有文献中当前的差距。通过解决IV-IDS中AI的局限性，本文有助于现有的研究语料库，并定义了车载网络系统的相关基线指标。本质上，我们将现实世界自动驾驶汽车的要求与安全域的要求调和，从而评估了基于AI的入侵检测系统的可行性。索引术语 - 机器学习，入侵检测，前提，车载网络
理论化技术空间入侵对 ICT 促进员工创新的影响：感知有用性的中介作用
Shalini Chandra 是新加坡 SP Jain 全球管理学院的副教授。加入 SP Jain 之前，她曾在新加坡南洋理工大学 (NTU) 担任研究员，并拥有该大学的博士学位。她的研究成果发表在多家国际同行评审期刊上，如《MIS Quarterly》（MISQ）、《信息系统协会杂志》（JAIS）、《信息系统杂志》（ISJ）和《AIS 通讯》（CAIS）等。她还在信息系统领域的几场顶级会议上展示了她的研究成果，如国际信息系统会议 (ICIS)、管理学院 (AOM)、亚太信息系统会议 (PACIS) 和美洲信息系统会议 (AMCIS)，以及国际通信协会 (ICA) 等顶级通信会议。她的研究兴趣包括技术支持的创新和新的协作技术、新技术的采用和接受、技术的阴暗面和社交媒体。
网络知情性：使用CVSS增加对入侵检测系统的信任
入侵检测系统（IDSS）是必不可少的网络安全组合。以前的网络攻击检测方法更多地依赖于签名和规则来检测网络攻击，尽管过去十年来范式发生了变化，机器学习（ML）实现了更有效，更灵活的统计方法。，ML目前无法将网络安全信息集成到其内部运作中。本文介绍了网络知情性，这是一个新的指标，考虑到网络安全信息，以更明智地表示绩效，受到遇到的攻击的严重性的影响。该指标在网络安全方面使用了事实：共同的漏洞评分系统（CVSS）。在两个公共数据集上的结果表明，这种新的度量标准验证了使用通用指标获得的结果。此外，这种新的度量强调了基于ML的IDSS，优先考虑了严重攻击的高度绩效，这对通用指标看不到。因此，这个新的指标通过弥合ML和网络安全之间的差距很好地完成了通用指标。
启用非侵入性筛查的AI范式
每天的执行摘要，国土安全部（DHS）人员在陆基入境港口，海上港口，机场，联邦设施和总统活动中进行高批量筛查任务。在这些地点，需要筛选商用货物，乘用车和违禁品的个人物品，例如麻醉品，武器，威胁材料和设备以及其他非法商品。对于边境控制，这代表着陆地边界的1200万个海事集装箱，海港的1200万个集装箱，通过铁路的270万个集装箱和1亿乘客每年。用于运输安全性，这代表每天超过550万张筛选。，对于联邦设施，这代表了9000个联邦设施的员工和访客的筛查。为此，即使对于一组最高风险的问题，DHS都在很大程度上依赖传统的感应技术，例如在多个能量带，计算机断层扫描（CT）运行的X射线门户和痕量化学感测来检测违禁品，而无需执行彻底的彻底大密集的手动检查。今天，各种形式的人工智能（AI）通常可以通过更好地利用传感器和检测器的数据流的方法来增强现有范式。以这种形式，在许多情况下，AI是一种后端设备，可帮助管理给定图像的全部内容。我们可以考虑使用更丰富的基础模型1的使用，而不是根据已测量的图像中的内容询问图像中的内容，而是要考虑使用更丰富的基础模型1，并问：“您应该测量什么”。但是，新兴技术的领域，再加上AI的进步，正在创造新的机会，从根本上重新考虑这些方法，在某些方面将它们转向外，并因此重新考虑了基于历史方法的风险模型。重新思考我们的方法可以为DHS如何以提高准确性，更高的吞吐量和通过这些检查站的流量来执行筛查任务的重要进展。我们今天可以检测到的图像的进步与AI启用的数据，成像，可视化和表征紧密相关，并且必须将其视为不可分割的连接。在今天的成像范式中，根本不使用大部分数据。AI通过从根本上重新定义数据的处理，分析和利用方式来实现新的思考旧问题。传统上，放射学领域的工作流都依赖于将大量的原始传感器数据压缩到重建的图像中，以进行人类解释，该过程不可避免地引入了数据丢失和不确定性，即使在当今使用的狭窄方式中。数据之后是处理和过滤的，以创建适合人类观看的蒸馏，而不是在其更丰富，更丰富的环境中使用。通过绕过或增强传统的工作流程过程，AI可以直接从原始传感器数据中提取细微的特征 - 在转换为视觉格式中可能会丢失或遮盖的功能。这些创新不仅挑战了根深蒂固的工作流程，而且还强调了AI如何将感知的局限性变成机会。本报告继续进行了一系列论文，我们探讨了AI，基础模型，对抗性AI，数字内容伪造以及对DHS任务的影响。它反映了与私营部门，学者和DHS运营组件的讨论，以及我们在2024年6月27日与马萨诸塞州理工学院林肯实验室（MIT LL）在“ AI-AI-Nopable Paradigms”范围内与马萨诸塞州理工学院实验室（MIT LL）进行了更深入的研究。2,3在本报告中，我们在抽象层面上回顾了非侵入性安全筛查的技术基础，引入了非侵入性筛选
对在入侵检测系统中可解释的人工智能整合的系统综述，以增强网络安全的透明度和可解释性
复杂的网络威胁的兴起刺激了入侵检测系统（IDS）的进步，这对于实时识别和减轻安全漏洞至关重要。传统ID通常依赖于复杂的机器学习算法，尽管其精确度很高，这些算法仍缺乏透明度，从而产生了“黑匣子”效应，从而阻碍了分析师对他们决策过程的理解。可解释的人工智能（XAI）通过提供可解释性和透明度，提供了一个有希望的解决方案，使安全专业人员能够更好地理解IDS模型。本文对XAI在ID中的集成进行了系统的综述，重点是提高网络安全的透明度和可解释性。通过对最近的研究的全面分析，本综述确定了常用的XAI技术，评估了它们在IDS框架中的有效性，并检查了它们的收益和局限性。的发现表明，基于规则和基于树的XAI模型是其可解释性的首选，尽管具有检测准确性的权衡仍然具有挑战性。此外，该评论突出了标准化和可扩展性中的关键差距，强调了对混合模型和实时解释性的需求。本文以未来研究方向的建议结束，提出了针对ID，标准化评估指标以及优先级安全和透明度的道德框架量身定制的XAI技术的改进。本评论旨在告知研究人员和从业者当前的趋势和未来利用XAI提高ID的有效性，促进更透明，更弹性的网络安全景观方面的机会。
使用机器学习的网络入侵检测
摘要。随着网络攻击的越来越复杂和频率的日益增长，对于可以实时检测和防止违规的有效系统的迫切需要。基于AI/ML的网络入侵检测系统（NID）通过分析流量模式来确定防火墙，路由器和网络基础架构中的安全漏洞来满足这一需求。通过集成机器学习算法 - K-Nearest邻居（KNN），支持向量机（SVM）和随机森林，该系统能够检测已知的网络威胁和以前看不见的攻击矢量。与密切依赖预定义折衷指标（IOC）的传统方法不同，该系统利用异常检测技术，使其能够识别新的和新兴的威胁。随着网络攻击的发展，组织必须采用自适应方法来保护其网络。该系统在对网络流量进行分类方面具有很高的准确性，并提供了可疑活动的早期警告的实时警报。它还包括直观的可视化，帮助网络管理员了解攻击性质和范围。随着日益复杂且频繁的网络攻击的兴起，此NIDS为增强网络安全性和响应功能提供了强大的解决方案。
分钟数。第1届理事会会议的可持续发展协调会议20.01.2025
国家统计局副总经理Iurie Mocanu先生邀请DNACătinlinaPlinschi，经济发展部和数字化部长DragoșCiuparu先生，欧盟高级顾问DragoșCiuparu先生州校长罗迪卡·尼科拉（Rodica Nicoara）女士，战略规划局局长，战略规划和政策协调副局长罗迪卡·尼科拉（Doiina Rusnac State Chancellery夫人），战略总监Chancellery夫人，战略规划和战略规划总统官员的战略规划和策略规划总监夫人，战略规划和策略计划总统夫人，战略规划及其战略规划及其战略规划及其战略规划总监的主要顾问，战略规划和政策协调局长罗迪卡·尼科拉（Rodica Nicoara）夫人，战略规划和战略总监夫人，战略规划和战略规划策略规划及其战略计划总统的主要顾问，战略规划和副总监，战略规划和战略规划总监，
引用本研究：Bhadauria, A.P.S., Singh M., Kumar, R., & Kumar, A., (2025)。使用机器学习 T 进行边缘计算中的实时入侵检测
边缘计算的普及为通过在更靠近数据源的地方处理数据，优化延迟敏感和带宽密集型应用程序带来了新的机会。此外，这种范式转变也带来了独特的安全挑战，特别是在入侵检测领域。在边缘计算环境中，数据在更靠近数据源的网络边缘进行处理，实时入侵检测对于保障系统安全至关重要。攻击者也在利用边缘网络的快速扩展。相反，由于行为复杂、处理能力低下，传统的入侵检测系统 (IDS) 无法检测到高速实时网络中最新类型的攻击模式。本研究介绍了一种开发有效 IDS 模型来处理实时网络中此类威胁的新方法，并探讨了针对边缘计算环境的实时入侵检测系统 (IDS) 的设计和实现。所提出的模型被认为是系统性和可靠的，并且采用了监督式机器学习 (ML) 技术。目标是实时准确地识别和分类网络中的有害入侵或恶性活动。为了训练和测试模型，本研究使用了一个自创的数据集，该数据集同时利用了恶意和良性的 PCAP（数据包捕获文件）。为了确定 IDS 模型的有用性，使用随机森林、决策树、额外树和 K-最近邻作为分类技术。所提出的 IDS 模型在适应性和可扩展性等几个因素上表现出色。该模型还产生了更高的准确度、检测率、F 度量、精确度、召回率和更低的 FPR。
Duisburg应用KI的中心：与Ki
C. Cichiwskyj等。 ：“弹性AI：对普遍计算系统中自适应机器学习的系统支持”，CCF关于普遍计算和交互的交易，Springer，2021。C. Cichiwskyj等。：“弹性AI：对普遍计算系统中自适应机器学习的系统支持”，CCF关于普遍计算和交互的交易，Springer，2021。