深度分析
生成式 AI 與聯邦學習結合提升入侵偵測：VAE、GAN、擴散模型與 LLM 應用解析
隨著網路攻擊手法持續演變，傳統 IDS 受限於資料稀缺與隱私限制。研究結合生成式 AI 與聯邦學習，利用變分自編碼器、GAN、擴散模型與大型語言模型在本端生成或增強流量，同時透過聯邦聚合避免資料外流。實驗顯示在多項基準上偵測率提升1%~3%，且通訊與運算成本下降15%~20%。
深度分析
隨著網路攻擊手法持續演變，傳統 IDS 受限於資料稀缺與隱私限制。研究結合生成式 AI 與聯邦學習，利用變分自編碼器、GAN、擴散模型與大型語言模型在本端生成或增強流量，同時透過聯邦聚合避免資料外流。實驗顯示在多項基準上偵測率提升1%~3%，且通訊與運算成本下降15%~20%。
深度分析
隨著圖形資料廣泛應用，研究提出兩種基於GAN的圖形重建攻擊(GLC與ELC)，利用模型預測與中層嵌入，可在黑箱情境下重現訓練圖形，實驗顯示提升超過20%。此方法較傳統VAE在FGD、EGD、MMD與GKS四指標上平均提升約30%，且查詢次數減半仍維持相似效果，突顯GNN隱私防護脆弱。