在修正版CIC-IDS2017上，四个异构检测器给出的标签与置信度被按威胁模型污染后，未经核验的开源LLM调查员在四个检测器坏掉一个时准确率降到0.50–0.72，坏掉三个时全部跌到0.13以下。冲突感知证据核验（CAV）把上报置信度排除在投票之外，只在工具之间出现冲突时，用基于原始流量特征的最近邻信任分数检验候选家族。冻结提示词后，CAV-LLM在三个检测器被污染的持久与偶发两种情形下达到0.84–0.88，而朴素调查员至多0.08，同时只在0.4%的干净流量上调用LLM。
DeepWeave把可解释的逻辑规则与神经网络预测放进同一个概率推理程序，让两者作为可能冲突的两路证据共同决定告警。此前基于机器学习的入侵检测依赖大量标注攻击流量，部署环境一变性能就下降，且难以给出可供分析员核查的依据。在每类攻击仅有少量标注包观测时，采用Anchored耦合的DeepWeave相对匹配的神经基线把宏F1最多提高34.5%，并把攻击误报率从0.075降到0.001。
入侵检测的告警不再由单个模型直接触发处置，而是先经多个独立公证智能体复核、在Hyperledger Fabric账本上以2/3法定票数共同签署后才放行。在CICIDS2017的类别均衡测试集上，校准集成对全部决策的准确率为96.60%，经拒绝门控后认证子集在87.3%覆盖率下达到99.65%准确率与0.04%误报率；在独立生成的GeNIS 2025语料上，同一套流程认证99.86%的流量、准确率99.98%。
量子启发的入侵检测常以单个高分示人，但换一个数据划分、预处理流程或部署预算，结论是否还成立并不清楚。Q-IDS Bench 在五个网络与物联网数据集上，用同一套防泄漏流程和五个随机种子评测九种量子启发配置，全部在经典硬件上运行。最佳加权 F1 落在 98.86% 至 99.95% 之间，但领先架构随数据集变化，按五数据集平均，第一名与第九名只差约 1.13 个百分点。
油田站点把本地流量更新拆成两份秘密共享，两台不串通的服务器只判断接受或拒绝，在30%自适应攻击者下宏F1为0.641，而FedAvg降到0.046。
一个把因果图、熵压缩、注意力融合、对抗校准和联邦聚合串成一条流水线的入侵检测框架，在CICIDS2017上把检测准确率做到97.4%，同时把输入特征从78维压到18维。
电网入侵检测的误报和漏报被折算成发电机级别的网络物理风险成本，再进入调度优化，而不是只优化检测的F1分数。此前检测与调度各自独立优化，检测误差对运行费用的影响没有进入决策目标。在ICS与Sherlock两个电网数据集上，按误报、漏报和风险缩放系数做网格搜索后，部分参数配置的最低调度费用低于对应基线，但改善幅度随数据集和参数配置而变。
网络入侵检测里，小语言模型直接读数值流量记录往往分不清类别。SERA-IDS 让一个 8B 模型只分析被误判的流量，把每次混淆写成含行为描述、特征条件、类别混淆信息、工具置信度和来源的结构化规则，经置信度门控后存入经验库。测试时经验库冻结，检索至多五条类别多样的规则并逐条核对条件，Llama 3.1、Phi-4:14B、Qwen2.5:7B 在 NF-BoT-IoT 与 NF-ToN-IoT 上的宏F1由 1.94%–11.66% 升至 69.50%–87.66%，全程不微调、不用付费托管推理。
作者将分布式集体侦察（DCR）形式化为在单身份请求均合规、协调关系隐藏条件下最大化集体信息获取的威胁，并构建仅依赖服务边界遥测的 Docker 隔离可复现基准 SwarmReconGuard，在 11 种行为、10 至 10000 个虚拟身份、440 次运行与 3,666,300 次请求上比较语义、高斯、条件、图、核、混合与 CUSUM 检测器；高斯似然比在已知攻击上达到 100% 检出与 0% 观测误报，但对未见策略仅 3%，CUSUM 整体检出 36.1%，混合 CUSUM 在 10000 身份时达 85.7%。
本文提出 CyTReX，一个面向分布式能源资源（DER）网络的可解释威胁推理框架：它把边缘异常检测告警、云端攻击分类、SHAP 特征归因、代理决策规则与经 MCP 获取的威胁情报整合为统一证据包，约束大语言模型生成带排序的威胁假设与攻击树；在 DNP3 案例的五种配置对比中，加入更多推理组件提升了假设具体性、证据可溯源性与分析依据，完整流水线提供最丰富的证据支撑推理上下文。
已读完全部报道