Buchumschlag

MULTI-LF: A Continuous Learning Framework for Real-Time Malicious Traffic Detection in Multi-Environment Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rustam, Furqan, Obaidat, Islam, Jurcut, Anca Delia
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MLRan: A Behavioural Dataset for Ransomware Analysis and Detection
von: Onwuegbuche, Faithful Chiagoziem, et al.
Veröffentlicht: (2025)

Hierarchical Local-Global Feature Learning for Few-shot Malicious Traffic Detection
von: Peng, Songtao, et al.
Veröffentlicht: (2025)

ETGuard: Malicious Encrypted Traffic Detection in Blockchain-based Power Grid Systems
von: Zhou, Peng, et al.
Veröffentlicht: (2024)

Detecting Malicious AI Agents Through Simulated Interactions
von: Pi, Yulu, et al.
Veröffentlicht: (2025)

TempoNet: Learning Realistic Communication and Timing Patterns for Network Traffic Simulation
von: Moore, Kristen, et al.
Veröffentlicht: (2026)

Scalable Hierarchical AI-Blockchain Framework for Real-Time Anomaly Detection in Large-Scale Autonomous Vehicle Networks
von: Shit, Rathin Chandra, et al.
Veröffentlicht: (2025)

Robust Anomaly Detection in Network Traffic: Evaluating Machine Learning Models on CICIDS2017
von: Xu, Zhaoyang, et al.
Veröffentlicht: (2025)

Adversarial Distilled Retrieval-Augmented Guarding Model for Online Malicious Intent Detection
von: Guo, Yihao, et al.
Veröffentlicht: (2025)

LAN: Learning Adaptive Neighbors for Real-Time Insider Threat Detection
von: Cai, Xiangrui, et al.
Veröffentlicht: (2024)

Continual Learning with Strategic Selection and Forgetting for Network Intrusion Detection
von: Zhang, Xinchen, et al.
Veröffentlicht: (2024)

Enhancing GraphQL Security by Detecting Malicious Queries Using Large Language Models, Sentence Transformers, and Convolutional Neural Networks
von: Perera, Irash, et al.
Veröffentlicht: (2025)

Learning-Based Link Anomaly Detection in Continuous-Time Dynamic Graphs
von: Poštuvan, Tim, et al.
Veröffentlicht: (2024)

kNN Classification of Malware Data Dependency Graph Features
von: Musgrave, John, et al.
Veröffentlicht: (2024)

Adversarial Reinforcement Learning for Offensive and Defensive Agents in a Simulated Zero-Sum Network Environment
von: Shahid, Abrar, et al.
Veröffentlicht: (2025)

TrafficLLM: Enhancing Large Language Models for Network Traffic Analysis with Generic Traffic Representation
von: Cui, Tianyu, et al.
Veröffentlicht: (2025)

Fingerprinting Deep Learning Models via Network Traffic Patterns in Federated Learning
von: Shuvo, Md Nahid Hasan, et al.
Veröffentlicht: (2025)

MA-IDS: Multi-Agent RAG Framework for IoT Network Intrusion Detection with an Experience Library
von: Islam, Md Shamimul, et al.
Veröffentlicht: (2026)

MI$^2$DAS: A Multi-Layer Intrusion Detection Framework with Incremental Learning for Securing Industrial IoT Networks
von: Lian, Wei, et al.
Veröffentlicht: (2026)

Semi-Supervised Learning for Anomaly Traffic Detection via Bidirectional Normalizing Flows
von: Dang, Zhangxuan, et al.
Veröffentlicht: (2024)

SkillSieve: A Hierarchical Triage Framework for Detecting Malicious AI Agent Skills
von: Hou, Yinghan, et al.
Veröffentlicht: (2026)

Black-box Adversarial Attacks on Network-wide Multi-step Traffic State Prediction Models
von: Poudel, Bibek, et al.
Veröffentlicht: (2021)

Targeted Adversarial Traffic Generation : Black-box Approach to Evade Intrusion Detection Systems in IoT Networks
von: Debicha, Islam, et al.
Veröffentlicht: (2026)

Adversaries Can Misuse Combinations of Safe Models
von: Jones, Erik, et al.
Veröffentlicht: (2024)

Can LLMs Deeply Detect Complex Malicious Queries? A Framework for Jailbreaking via Obfuscating Intent
von: Shang, Shang, et al.
Veröffentlicht: (2024)

Malla: Demystifying Real-world Large Language Model Integrated Malicious Services
von: Lin, Zilong, et al.
Veröffentlicht: (2024)

A Graph-Attentive LSTM Model for Malicious URL Detection
von: Hossain, Md. Ifthekhar, et al.
Veröffentlicht: (2025)

Leveraging Large Language Models to Detect npm Malicious Packages
von: Zahan, Nusrat, et al.
Veröffentlicht: (2024)

Explainable Adversarial Learning Framework on Physical Layer Secret Keys Combating Malicious Reconfigurable Intelligent Surface
von: Wei, Zhuangkun, et al.
Veröffentlicht: (2024)

Real-time ML-based Defense Against Malicious Payload in Reconfigurable Embedded Systems
von: Stahle-Smith, Rye, et al.
Veröffentlicht: (2025)

Large Language Models powered Malicious Traffic Detection: Architecture, Opportunities and Case Study
von: Zhang, Xinggong, et al.
Veröffentlicht: (2025)

Enhancing Cloud Network Resilience via a Robust LLM-Empowered Multi-Agent Reinforcement Learning Framework
von: Peng, Yixiao, et al.
Veröffentlicht: (2026)

A Real-Time, Self-Tuning Moderator Framework for Adversarial Prompt Detection
von: Zhang, Ivan
Veröffentlicht: (2025)

One Step to the Side: Why Defenses Against Malicious Finetuning Fail Under Adaptive Adversaries
von: Zloczower, Itay, et al.
Veröffentlicht: (2026)

PoolFlip: A Multi-Agent Reinforcement Learning Security Environment for Cyber Defense
von: Cadet, Xavier, et al.
Veröffentlicht: (2025)

Temporal-Spatial Attention Network (TSAN) for DoS Attack Detection in Network Traffic
von: Kayode, Bisola Faith, et al.
Veröffentlicht: (2025)

MALCDF: A Distributed Multi-Agent LLM Framework for Real-Time Cyber
von: Bhardwaj, Arth, et al.
Veröffentlicht: (2025)

Command & Control (C2) Traffic Detection Via Algorithm Generated Domain (Dga) Classification Using Deep Learning And Natural Language Processing
von: Felix, Maria Milena Araujo
Veröffentlicht: (2025)

From Flows to Words: Can Zero-/Few-Shot LLMs Detect Network Intrusions? A Grammar-Constrained, Calibrated Evaluation on UNSW-NB15
von: Rehman, Mohammad Abdul, et al.
Veröffentlicht: (2025)

Decompose to Understand, Fuse to Detect: Frequency-Decoupled Anomaly Detection for Encrypted Network Traffic
von: Lian, Xinglin, et al.
Veröffentlicht: (2026)

MOCHA: Are Code Language Models Robust Against Multi-Turn Malicious Coding Prompts?
von: Wahed, Muntasir, et al.
Veröffentlicht: (2025)