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%。
入侵偵測系統
深度分析
「FALCON」大型語言模型驅動的 IDS 規則自動生成框架：從 CTI 到 Snort/YARA 全流程
隨著網路威脅持續演變，FALCON 透過大型語言模型即時將資安情資轉換為 Snort 與 YARA 規則，內建多階段語意與效能驗證，避免規則膨脹與誤報。實驗顯示其自動產生規則正確率高達九十五%，顯著縮短更新週期，提升防禦即時性。此舉亦有望降低規則維護成本，促進資安即時防護。
速報
自監督圖神經網路結合時間戳記提升入侵偵測效能
圖神經網路因能捕捉網路流量間的關係結構，在入侵偵測系統（NIDS）中被廣泛採用。然而，多數現有模型將流量視為時間上獨立的樣本，無法因應攻擊手法的演變，也因依賴有標註資料而限制了對未知攻擊的泛化能力。
深度分析
PLM‑NIDS：利用 RWKV 語言模型實現加密流量入侵偵測新突破
傳統DPI無法檢測TLS1.3與QUIC加密流量，研究以RWKV狀態空間模型將L3/L4封包元資料視為語言語法，透過無標籤預訓練與異常感測，達到0.93PR‑AUC的攻擊偵測，且能即時逐封包處理，對加密協議保持中立。此技術展示了預訓練模型在資安領域的潛力，並挑戰傳統簽名式入侵偵測的既定框架。
深度分析
以次常態高斯模糊數（SGFN）進行風險導向的 IDS 警示優先排序
面對現代入侵偵測系統每天成千上萬的警示與嚴重的警示疲乏，研究提出以次常態高斯模糊數（Subnormal Gaussian Fuzzy Numbers, SGFN）為核心的警示優先排序框架。每則警示以三參數描述：核心值代表威脅嚴重度、擴散代表影響不確定性、高度代表偵測可信度；
深度分析
GTCN‑G：結合殘差圖形與時間卷積的高效入侵偵測框架
隨著網路威脅與流量類別不平衡問題日益嚴峻，研究提出 GTCN‑G 結合門控時間卷積與圖形卷積，並加入 GAT 殘差機制保留特徵資訊。實驗在兩大基準資料集上顯示其在二元與多類別偵測上均達到最新最佳表現。