Detecting Sentiment Steering Attacks on RAG-enabled Large Language Models

📄 arXiv: 2603.16342v1 📥 PDF

作者: Isha Andrade, Shalaka S Mahadik, Mithun Mukherjee, Pranav M Pawar, Raja Muthalagu

分类: cs.CR, cs.AI

发布日期: 2026-03-17

备注: 6 pages, 7 figures

💡 一句话要点

提出基于CNN和LSTM的轻量级入侵检测系统，增强物联网网络安全。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 物联网安全 入侵检测系统 深度学习 卷积神经网络 长短期记忆网络

📋 核心要点

  1. 物联网网络面临未经授权设备入侵和漏洞利用的安全挑战。
  2. 提出基于CNN和LSTM的轻量级IDS，用于检测和分类网络威胁。
  3. 实验结果表明，所提出的IDS在多种分类任务中均取得了高准确率。

📝 摘要（中文）

大规模物联网网络的普及既是机遇也是挑战。它在提高自动化程序效率的同时，也简化了我们的日常生活。然而，物联网网络在提高便利性和连接性的同时也增加了安全风险，因为未经授权的设备可能会访问这些网络并利用现有漏洞进行特定类型的攻击。本研究提出了两种基于深度学习（DL）的轻量级智能入侵检测系统（IDS），以增强物联网网络的安全性：基于卷积神经网络（CNN）的IDS和基于长短期记忆网络（LSTM）的IDS。研究使用CICIoT2023数据集评估了这两种基于深度学习的智能IDS的性能。基于深度学习的智能IDS成功地使用二元、分组和多类分类识别和分类各种网络威胁。所提出的基于CNN的IDS在二元、分组和多类分类中分别实现了99.34%、99.02%和98.6%的准确率，而所提出的基于LSTM的IDS在二元、分组和多类分类中分别实现了99.42%、99.13%和98.68%的准确率。

🔬 方法详解

问题定义：论文旨在解决物联网网络中日益增长的安全威胁，特别是未经授权设备入侵和漏洞利用的问题。现有的入侵检测系统可能无法有效应对物联网网络中复杂多样的攻击模式，并且可能存在计算开销过大的问题，不适用于资源受限的物联网设备。

核心思路：论文的核心思路是利用深度学习技术，特别是CNN和LSTM，构建轻量级的智能入侵检测系统。通过学习网络流量中的特征，IDS能够自动识别和分类各种网络威胁。选择CNN和LSTM是因为它们分别擅长提取空间特征和时间序列特征，能够有效地捕捉网络流量中的异常模式。

技术框架：整体框架包含数据预处理、特征提取、模型训练和威胁分类四个主要阶段。首先，对CICIoT2023数据集进行预处理，包括数据清洗、归一化等操作。然后，分别使用CNN和LSTM模型提取网络流量中的特征。接着，使用提取的特征训练分类器，用于识别和分类不同的网络威胁。最后，评估模型的性能，包括准确率、精确率、召回率等指标。

关键创新：论文的关键创新在于提出了两种轻量级的深度学习模型，能够在保证较高检测准确率的同时，降低计算开销，更适合部署在资源受限的物联网设备上。此外，论文还针对CICIoT2023数据集进行了全面的实验评估，验证了所提出方法的有效性。

关键设计：CNN-based IDS的具体结构未知，但通常包含卷积层、池化层和全连接层。LSTM-based IDS的具体结构也未知，但通常包含LSTM层和全连接层。损失函数和优化器未知，但通常使用交叉熵损失函数和Adam优化器。关键参数设置未知，需要根据具体数据集和模型结构进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的基于CNN的IDS在二元、分组和多类分类中分别实现了99.34%、99.02%和98.6%的准确率，而所提出的基于LSTM的IDS在二元、分组和多类分类中分别实现了99.42%、99.13%和98.68%的准确率。这些结果表明，所提出的IDS能够有效地检测和分类各种网络威胁，并且具有较高的准确率。

🎯 应用场景

该研究成果可应用于各种物联网网络安全场景，例如智能家居、工业控制系统、智慧城市等。通过部署所提出的IDS，可以有效检测和防御各种网络攻击，保障物联网设备和数据的安全。未来，该研究可以进一步扩展到其他类型的物联网网络和攻击场景，并与其他安全技术相结合，构建更加完善的物联网安全体系。

📄 摘要（原文）

The proliferation of large-scale IoT networks has been both a blessing and a curse. Not only has it revolutionized the way organizations operate by increasing the efficiency of automated procedures, but it has also simplified our daily lives. However, while IoT networks have improved convenience and connectivity, they have also increased security risk due to unauthorized devices gaining access to these networks and exploiting existing weaknesses with specific attack types. The research proposes two lightweight deep learning (DL)-based intelligent intrusion detection systems (IDS). to enhance the security of IoT networks: the proposed convolutional neural network (CNN)-based IDS and the proposed long short-term memory (LSTM)-based IDS. The research evaluated the performance of both intelligent IDSs based on DL using the CICIoT2023 dataset. DL-based intelligent IDSs successfully identify and classify various cyber threats using binary, grouped, and multi-class classification. The proposed CNN-based IDS achieves an accuracy of 99.34%, 99.02% and 98.6%, while the proposed LSTM-based IDS achieves an accuracy of 99.42%, 99.13%, and 98.68% for binary, grouped, and multi-class classification, respectively.