Buchumschlag

On the Cross-Dataset Generalization of Machine Learning for Network Intrusion Detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cantone, Marco, Marrocco, Claudio, Bria, Alessandro
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Machine Learning Networking and Internet Architecture
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Sdn Intrusion Detection Using Machine Learning Method
von: Mahmud, Muhammad Zawad, et al.
Veröffentlicht: (2024)

Temporal Analysis of NetFlow Datasets for Network Intrusion Detection Systems
von: Luay, Majed, et al.
Veröffentlicht: (2025)

Hyperparameter Tuning-Based Optimized Performance Analysis of Machine Learning Algorithms for Network Intrusion Detection
von: Tripathy, Sudhanshu Sekhar, et al.
Veröffentlicht: (2025)

Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection
von: Gupta, Ragini, et al.
Veröffentlicht: (2025)

An Adversarial Robustness Benchmark for Enterprise Network Intrusion Detection
von: Vitorino, João, et al.
Veröffentlicht: (2024)

Efficient Network Traffic Feature Sets for IoT Intrusion Detection
von: Silva, Miguel, et al.
Veröffentlicht: (2024)

Online Self-Supervised Deep Learning for Intrusion Detection Systems
von: Nakıp, Mert, et al.
Veröffentlicht: (2023)

Sequential Binary Classification for Intrusion Detection
von: Vasudevan, Shrihari, et al.
Veröffentlicht: (2024)

SoK: Realistic Adversarial Attacks and Defenses for Intelligent Network Intrusion Detection
von: Vitorino, João, et al.
Veröffentlicht: (2023)

Hybrid Deep Learning-Federated Learning Powered Intrusion Detection System for IoT/5G Advanced Edge Computing Network
von: Baidar, Rasil, et al.
Veröffentlicht: (2025)

Advancing Network Security: A Comprehensive Testbed and Dataset for Machine Learning-Based Intrusion Detection
von: Farasat, Talaya, et al.
Veröffentlicht: (2024)

Evaluating the Potential of Quantum Machine Learning in Cybersecurity: A Case-Study on PCA-based Intrusion Detection Systems
von: Bellante, Armando, et al.
Veröffentlicht: (2025)

Enhancing Anomaly-Based Intrusion Detection Systems with Process Mining
von: Vitale, Francesco, et al.
Veröffentlicht: (2026)

Evasion Adversarial Attacks Remain Impractical Against ML-based Network Intrusion Detection Systems, Especially Dynamic Ones
von: elShehaby, Mohamed, et al.
Veröffentlicht: (2023)

Developing a Transferable Federated Network Intrusion Detection System
von: Jameel, Abu Shafin Mohammad Mahdee, et al.
Veröffentlicht: (2025)

Machine Learning-Based Malicious Vehicle Detection for Security Threats and Attacks in Vehicle Ad-hoc Network (VANET) Communications
von: Canh, Thanh Nguyen, et al.
Veröffentlicht: (2024)

Leveraging Machine Learning Techniques in Intrusion Detection Systems for Internet of Things
von: Jamshidi, Saeid, et al.
Veröffentlicht: (2025)

Genos: General In-Network Unsupervised Intrusion Detection by Rule Extraction
von: Li, Ruoyu, et al.
Veröffentlicht: (2024)

Sherlock: A Dataset for Process-aware Intrusion Detection Research on Power Grid Networks
von: Wagner, Eric, et al.
Veröffentlicht: (2025)

MLDAS: Machine Learning Dynamic Algorithm Selection for Software-Defined Networking Security
von: Benlloch, Pablo, et al.
Veröffentlicht: (2026)

An Online Ensemble Learning Model for Detecting Attacks in Wireless Sensor Networks
von: Tabbaa, Hiba, et al.
Veröffentlicht: (2022)

Technical Report: Generating the WEB-IDS23 Dataset
von: Lanfer, Eric, et al.
Veröffentlicht: (2025)

FetFIDS: A Feature Embedding Attention based Federated Network Intrusion Detection Algorithm
von: Ghosh, Shreya, et al.
Veröffentlicht: (2025)

Adaptive Dual-Layer Web Application Firewall (ADL-WAF) Leveraging Machine Learning for Enhanced Anomaly and Threat Detection
von: Sameh, Ahmed, et al.
Veröffentlicht: (2025)

Introducing Packet-Level Analysis in Programmable Data Planes to Advance Network Intrusion Detection
von: Doriguzzi-Corin, Roberto, et al.
Veröffentlicht: (2023)

Deep Learning for Network Anomaly Detection under Data Contamination: Evaluating Robustness and Mitigating Performance Degradation
von: Nkashama, D'Jeff K., et al.
Veröffentlicht: (2024)

Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities
von: Rahmati, Milad
Veröffentlicht: (2025)

ConCap: Practical Network Traffic Generation for (ML- and) Flow-based Intrusion Detection Systems
von: Verkerken, Miel, et al.
Veröffentlicht: (2025)

A Blockchain Solution for Collaborative Machine Learning over IoT
von: Beis-Penedo, Carlos, et al.
Veröffentlicht: (2023)

Learning Intrusion Prevention Policies through Optimal Stopping
von: Hammar, Kim, et al.
Veröffentlicht: (2021)

Deciding When Not to Decide: Indeterminacy-Aware Intrusion Detection with NeutroSENSE
von: Al-Masri, Eyhab
Veröffentlicht: (2025)

BRIDGE and TCH-Net: Heterogeneous Benchmark and Multi-Branch Baseline for Cross-Domain IoT Botnet Detection
von: Bhilwarawala, Ammar, et al.
Veröffentlicht: (2026)

UNAD+: An Explainable Hybrid Framework for Unknown Network Attack Detection
von: Alzubi, Saif, et al.
Veröffentlicht: (2026)

LLM-based Continuous Intrusion Detection Framework for Next-Gen Networks
von: Adjewa, Frederic, et al.
Veröffentlicht: (2024)

IoT Network Traffic Analysis with Deep Learning
von: Liu, Mei, et al.
Veröffentlicht: (2024)

Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis
von: Kouchaki, Mohammadreza, et al.
Veröffentlicht: (2024)

X-CBA: Explainability Aided CatBoosted Anomal-E for Intrusion Detection System
von: Kaya, Kiymet, et al.
Veröffentlicht: (2024)

A Case for Network-wide Orchestration of Host-based Intrusion Detection and Response
von: Timmons, Mark, et al.
Veröffentlicht: (2025)

Over-Threshold Multiparty Private Set Intersection for Collaborative Network Intrusion Detection
von: Arpaci, Onur Eren, et al.
Veröffentlicht: (2025)

FedMADE: Robust Federated Learning for Intrusion Detection in IoT Networks Using a Dynamic Aggregation Method
von: Sun, Shihua, et al.
Veröffentlicht: (2024)