Sreeshan7/EvoIDS
GitHub: Sreeshan7/EvoIDS
EvoIDS 是一个自演化入侵检测框架，通过漂移感知自适应学习和多检测器开放集识别来应对云环境中流量模式变化导致的模型性能衰退和零日攻击检测难题。
Stars: 0 | Forks: 0
*云计算中的网络入侵检测面临着**概念漂移**这一根本性挑战，不断变化的流量模式、用户行为和新型攻击方法会导致静态模型的性能迅速下降。**EvoIDS** 引入了一个统一的框架，将自适应学习与开放集识别相结合，以在时间上不断变化且真实的云流量条件下保持稳健的运行效能。*
🎯 1. 监督分类EvoIDS 的核心是一个高效的 LightGBM 梯度提升分类器，用于区分恶意网络活动和合法流量。与静态分类器不同，该子系统完全支持对其参数进行增量更新或无缝微调。 |
🩺 2. 多信号健康监控器监控传入流量中的协变量漂移和概念漂移，而不依赖于单一指标的经验法则。它集成了：
|
🛡️ 3. Multi-Detector Open-Set Module (MDOM)
A parallel processing stream identifying novel attacks by verifying flow conformity against known distributions. Uses 5 complementary detectors fused via Cumulative Distribution Function (CDF) rank aggregation to score the "unknownness" of each sample.
Static models exhibit a sharp F1-score and Accuracy collapse when exposed to temporally subsequent data (Concept Drift).
EvoIDS seamlessly adapts and recovers predictive performance, showcasing an average gain of 24.7 percentage points compared to static deployments.
### 🔬 分布外检测与特征 EvoIDS 利用马氏距离和潜在空间分析，成功地对未知输入进行了映射和标记。
Mahalanobis distance separating known vs unknown classes.
Global Feature Importance determining attack attributes.
Per-Attack Detection Rate Comparison across different threat vectors.
基于 标准许可证 发布。有关完整详细信息，请参阅本仓库中包含的研究论文。