XiaoMi-AI文件搜索系统
World File Search Systemtrusion
增强医疗保健中的网络安全：机器学习和深入学习策略用于医学事物的入侵检测
摘要：物联网越来越多地用于医疗保健中，从而导致医学事物的迅速增长。该技术极有帮助监测患者并收集数据进行治疗。但是，这种技术组合也引入了重大的安全威胁，尤其是侵入医学事物（IOMT）系统的风险。本文评估了机器学习和深度学习如何改善IOMT的入侵检测系统。本文回顾了当前在入侵检测系统（IDS）中使用机器学习（ML）和深度学习（DL）的使用，重点是检测IOMT中异常活动及其有效性的系统。通过比较传统和较新的模型，例如PCA-GWO混合模型，这项研究强调了设计和改进模型以识别安全威胁的重要性。研究发现，尽管ML和DL为检测入侵提供了强大而有效的解决方案，但它们还面临计算需求，数据收集和隐私方面的挑战，并使模型易于解释。进一步的研究可以帮助改善这些领域，包括最佳算法，收集数据的法律方法以及使用高级加密和联合学习，以平衡效率与隐私。本文得出结论，优化的ML和DL技术可以大大提高IOMT的安全性，从而确保关键的医疗数据保持完整和私密。
基于超图的机器学习合奏网络入侵检测系统
摘要 - 检测恶意攻击的网络入侵检测系统（NID）继续面临挑战。NID通常是离线开发的，而它们面临自动生成的端口扫描尝试，从而导致了从对抗性适应到NIDS响应的显着延迟。为了应对这些挑战，我们使用专注于Internet协议地址和目标端口的超图来捕获端口扫描攻击的不断发展的模式。然后使用派生的基于超图的指标集来训练集合机学习（ML）基于NID的NID，以高精度，精确和召回表演以高精度，精确性和召回表演以监视和检测端口扫描活动，其他类型的攻击以及对抗性入侵。通过（1）入侵示例，（2）NIDS更新规则，（3）攻击阈值选择以触发NIDS RETRAINGE RECESTS的组合，以及（4）未经事先了解网络流量本质的生产环境。40个场景是自动生成的，以评估包括三个基于树的模型的ML集成NID。使用CIC-IDS2017数据集进行了扩展和评估所得的ML集合NIDS。结果表明，在更新的nids规则的模型设置下（特别是在相同的NIDS重新培训请求上重新训练并更新所有三个模型），在整个仿真过程中，提出的ML集合NIDS明智地进化了，并获得了近100％的检测性能，并获得了近100％的检测性能。
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。
包含第三代先进高强度不锈钢和铝挤压和铸造的多材料堆栈的高速连接 (Ab
本报告是作为美国政府机构赞助的工作的说明而编写的。美国政府及其任何机构、巴特尔纪念研究所及其任何员工均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构或巴特尔纪念研究所对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
使用大语言模型迈向可解释的网络入侵检测
大型语言模型（LLMS）已彻底改变了语言处理任务，尤其是作为聊天代理。但是，他们对威胁检测问题的适用性不清楚。本文研究了将LLMS作为网络入侵检测系统（NIDS）的可行性，尽管它们的计算要求很高，但出于解释性的目的而迅速占有一致。此外，已经投资了开发LLM的资源，它们可能会为NID提供效用。当前最新的NID依赖于人工基准测量数据集，当应用于现实世界的网络工作环境时，导致偏斜的性能。因此，我们将GPT-4和LLAMA3模型与传统体系结构和基于变压器的模型进行了比较，以评估它们在不依赖人工偏斜的数据集而不依赖于其广泛的预培养的AC受过的知识的情况下，不依赖于人工偏斜的数据集。我们的结果表明，尽管LLM在精确的攻击检测中挣扎，但它们具有通往可解释的NID的途径的重要潜力。我们的前探索表明，LLM不适合检测恶意Netfrows。最有希望的是，这些具有NID中互补药物的重要潜力，尤其是在与检索增强的Generation（RAG）集成时提供解释并有助于威胁响应，并呼叫功能。
某些替代密码的进化关系
讨论：发现表明，异常检测方法在减少侵入检测系统中的假阳性方面起着至关重要的作用。卡方和ANOVA测试的重要p值证实，这些方法比传统技术更有效地最大程度地减少了误报。如标准偏差所示，假阳性率的可变性表明，虽然异常检测通常提高精度，但其有效性可能会取决于特定的实施和网络条件。这些见解强调了精炼异常检测算法以进一步提高准确性并减少错误警报的重要性。
使用Wireshark和机器学习的网络入侵检测D. Chandravathi 1，P.V.S.S. Praneeth 2，*，Abida Sakina 3，Kotti Anjanaa 4，Botch
摘要网络设备的增长强调了对保护数字系统免于不断发展的网络威胁的高级入侵检测（IDS）工具的渴望。传统IDS系统通常很难适应威胁环境，因为它们依赖于预定义的签名列表。本研究提出了一种新的方法，该方法将Wireshark（一种广泛使用的网络数据包分析工具）与用于入侵检测的高级机器学习。我们的系统利用Wireshark的数据摄入和分析功能以及算法（例如梯度提升，天真的bay和随机森林），在检测网络流量数据吞吐量中的缺陷和潜在侵入方面提供了更高的准确性。它为包括DDOS攻击在内的各种网络威胁提供了有效的保护，并符合监管标准。这项研究代表了网络安全改革的重大进步，使组织能够实时减轻威胁，并在持续的数字环境中支持协作防御。一个称为入侵检测系统（IDS）的系统可观察恶意交易的网络流量，并在观察到时立即发送警报。是对网络或系统检查恶意活动或违反政策的软件。每种非法活动或违规通常使用SIEM系统中心记录或通知给药。IDS监视网络或系统以进行恶意活动，并保护计算机网络免受来自包括内部人员在内的用户的未经授权访问的访问。入侵检测器学习任务是建立一个预测模型（即分类器）能够区分“不良连接”（入侵/攻击）和“好（正常）连接”。关键字：DDOS攻击，ID，入侵检测，机器学习，恶意攻击，幼稚 - 绑架，随机森林
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
基于机器学习的网络入侵检测...
2 duhok Polytechnic University，Duhok，Kurdistan地区，伊拉克电子邮件：1 aqeel.hanash@auas.edu.edu.krd，2 adnan.mohsin@dpu.edu.edu.kr.kr.kr.kr--摘要 - 全球互联网继续传播，呈现出众多升级危险，具有巨大的潜在危险。现有的静态检测系统需要经常更新基于签名的数据库，并仅检测已知的恶意威胁。目前正在努力开发可以利用机器学习技术准确检测和分类危险内容的网络入侵检测系统。这将导致所需的整体工作量减少。网络入侵检测系统是通过各种机器学习算法创建的。审查的目的是为现有的基于机器学习的侵入检测系统提供全面的概述，目的是协助参与网络入侵检测系统的人。关键字：入侵检测系统，机器学习，SVM，随机森林。
将生成机学习应用于入侵检测
具体来说，我们的文章具有双重目的。第一个目的是提出一项系统的地图研究[79]，该研究确定了如何在入侵域检测领域中使用GMLM。一项系统的映射研究通常通过对已发表的作品进行分类，并经常提供其结果的视觉摘要[79]，通常提供了在某个领域（例如软件工程或医学研究）中发表的研究论文和报告类型的结构[79]。在我们的案例中，我们会进行映射研究，以在高水平上了解如何使用GMLMS进行入侵检测。我们文章的第二个目的是对映射研究中包含的作品进行更深入的分析和综合。第二个目的的最终目标是提出见解，讨论所采用方法的优势和缺点，概述重要的挑战，并指出未来研究的指示。