airen的博客

常用Latex数学符号表示

原文标题：A communication-channel-based method for detecting deeply camouflagedmalicious traffic作者：Yong Fang，Kai Li，Rong feng Zheng，Shan Liao，Yue Wang发表：Computer Networks 2021原文链接：https://www.sciencedirect.com/science/article/pii/S138912862100311X中文标题：一种基.

原文标题：A Review on Feature Selection and Ensemble Techniques for Intrusion Detection System原文作者：Majid Torabi1*, Nur Izura Udzir 2*, Mohd Taufik Abdullah3, Razali Yaakob4发表：IJACSA 2021原文链接：https://pdfs.semanticscholar.org/06b7/2a8cc22b4f9fecfd8fcf396a693.

原文标题：New Directions in Automated Traffic Analysis原文作者：Jordan Holland; Paul Schmitt; Nick Feamster; Prateek Mittal发表会议：CCS 2021原文链接：https://dl.acm.org/doi/abs/10.1145/3460120.3484758中文标题：自动化流量分析的新方向1 Motivation为了让目前在网络流量分析领域的：特征选择和表示、模型选择和参数调整工作自动化，.

原文标题：Detecting Abnormal Traffic in Large-Scale Networks原文作者：Mahmoud Said Elsayed; Nhien-An Le-Khac; Soumyabrata Dev; Anca Delia Jurcut发表会议：ISNCC 2020原文链接：https://ieeexplore.ieee.org/abstract/document/9297358中文标题：检测大规模网络中的异常流量1 Motivation网络服务和应用程序的动.

原文标题：An LSTM-Based Deep Learning Approach for Classifying Malicious Traffic at the Packet Level原文作者：Ren-Hung Hwang * , Min-Chun Peng, Van-Linh Nguyen and Yu-Lun Chang发表会议：IEEE ICASI 2019原文链接：https://www.mdpi.com/2076-3417/9/16/3414中文标题：一种基于LSTM的包级恶意流量.

原文标题：Automatic Detection of Various Malicious Traffic Using Side Channel Features on TCP Packets原文作者：George Stergiopoulos, Alexander Talavari, Evangelos Bitsikas & Dimitris Gritzalis发表会议：ESORICS 2018: Computer Security原文链接：https://link.springer.com.

原文标题：Realtime Robust Malicious Traffic Detection via Frequency DomainAnalysis原文作者：Chuanpu Fu, Qi Li, Meng Shen, and Ke Xu发表会议：2021 ACM Computer and Communications Security Conference（CCS）原文连接：https://www.software-lab.org/publications/ccs2021_pre-final..

原文：Deep Learning for Encrypted Traffic Classification: An OverviewAbstract在abstract中，作者指出之前的基于端口号、DPI和经典的ML的流量分类方法在面对当下网络流量大面积加密的情况下准确率不高，接着介绍了本文的主要贡献：总结最近的DL模型在加密流量分类上的工作。最后，作者提出了几个目前在加密流量分类问题上面临的挑战。1 INTRODUCTION作者首先简要回顾流量分类问题上的各种方法：基于端口：应用广泛，但准确率在