#intrusion detection

搞安全检测的朋友可以看看这篇。多数入侵检测是先把告警扔出来再关联，DeepChronos 把攻击阶段规则直接写进检测逻辑，F1 在 DARPA 2000 上高出纯神经基线 11.3%，延迟还在毫秒级，做 NDR 或 SIEM 的团队值得对比评估。

这篇论文把图神经网络做入侵检测的水分挤干了：去掉评测泄漏后，图模型精度和不带图的 MLP 打平，树模型反而更强，唯一赢在抗噪声。做安全检测选型的值得看看对比细节。

一个把网络攻击分流拆成三个校准小头的小模型，CPU 毫秒级跑完，还老老实实列出了哪些场景翻车，做安全检测的可以看看。

这篇论文用RoI技术分析网络流量，结合机器学习实现了99.64%精度和0%漏报，比传统端点检测更早发现共享存储上的勒索攻击。

这篇论文用实际数据告诉你：用CWE分类训练HIDS能不能泛化到新CVE？结论是有的行有的不行，关键看行为轮廓而不是标签。

这篇论文提出了XGBoost-Forget，让XGBoost模型能快速遗忘特定数据，在入侵检测数据集上效果不错。

这篇论文戳破了 Transformer 在入侵检测中“近乎完美”的假象——做网络安全 AI 研究的团队，尤其是依赖 CIC-IDS2017 基准的，建议仔细看 padding 和分割协议的影响，否则你的模型评估可能虚高 0.24 macro-F1。