?arXiv 28-Mar-2025 LLM相关论文(28/29)
?更多论文见主页/合集
?arXiv ID: arXiv:2503.20798
?论文标题: Payload-Aware Intrusion Detection with CMAE and Large Language Models
? 问题背景：入侵检测系统（IDS）对于识别网络环境中的恶意流量至关重要。然而，传统的基于签名的检测方法在面对未知威胁（如零日攻击）时效果不佳，并且误报率较高。现有的基于AI的方法主要依赖于流统计特征，限制了对细粒度攻击模式的检测能力。
? 研究动机：为了提高检测准确性和计算效率，研究团队提出了Xavier-CMAE模型。该模型通过引入Hex2Int编码器和Xavier初始化，消除了预训练步骤，加速了训练过程，同时保持了高检测性能。
? 方法简介：本文提出的Xavier-CMAE模型采用Hex2Int编码器将负载数据转换为令牌，并使用Xavier初始化进行嵌入层的初始化。这种方法不仅消除了预训练的需求，还显著提高了训练速度和检测精度。
? 实验设计：在三个公开数据集上进行了实验，包括CIC-IDS2017。实验结果表明，Xavier-CMAE模型达到了99.971%的检测准确率，误报率仅为0.018%，明显优于基于Word2Vec的方法。此外，还引入了LLM-CMAE模型，将预训练的大型语言模型（LLM）的编码器集成到CMAE中，进一步提高了检测性能，达到了99.969%的准确率和0.019%的误报率。
#LLM #RAG #agent #multimodal #大模型 #检索增强 #多模态
?更多论文见主页/合集
?arXiv ID: arXiv:2503.20798
?论文标题: Payload-Aware Intrusion Detection with CMAE and Large Language Models
? 问题背景：入侵检测系统（IDS）对于识别网络环境中的恶意流量至关重要。然而，传统的基于签名的检测方法在面对未知威胁（如零日攻击）时效果不佳，并且误报率较高。现有的基于AI的方法主要依赖于流统计特征，限制了对细粒度攻击模式的检测能力。
? 研究动机：为了提高检测准确性和计算效率，研究团队提出了Xavier-CMAE模型。该模型通过引入Hex2Int编码器和Xavier初始化，消除了预训练步骤，加速了训练过程，同时保持了高检测性能。
? 方法简介：本文提出的Xavier-CMAE模型采用Hex2Int编码器将负载数据转换为令牌，并使用Xavier初始化进行嵌入层的初始化。这种方法不仅消除了预训练的需求，还显著提高了训练速度和检测精度。
? 实验设计：在三个公开数据集上进行了实验，包括CIC-IDS2017。实验结果表明，Xavier-CMAE模型达到了99.971%的检测准确率，误报率仅为0.018%，明显优于基于Word2Vec的方法。此外，还引入了LLM-CMAE模型，将预训练的大型语言模型（LLM）的编码器集成到CMAE中，进一步提高了检测性能，达到了99.969%的准确率和0.019%的误报率。
#LLM #RAG #agent #multimodal #大模型 #检索增强 #多模态
