对抗性机器学习（AML）对网络入侵检测系统（NIDS）构成了日益严重的威胁。然而，文献在模型、数据集和评估实践方面仍然是碎片化的。本调查提供了对基于机器学习的NIDS的2021年后的AML综合分析，并且据我们所知，这是在此期间首次结合了94个经过质量筛选的主要研究（2022-2025）的编码语料库，以及跨威胁模型、方法、数据集、度量和可重复性特征的统一分层分类法的调查。我们的分析揭示了在特征空间操作、数据集特定依赖、对对手知识的过于乐观假设以及以规避为中心的评估方法中持久存在的偏见。它还识别了新兴趋势，包括基于集成的防御、物联网/工业控制系统数据的现实性增强和可重复性提升。结合概念性和定量视角，我们建立了一个可重复的研究映射框架，识别出六个开放挑战，定义了对抗性强健入侵检测的下一阶段。因此，我们提供了一条通往可信、经验基础和可操作的AML-NIDS在对抗性环境中的路线图。
Espindola等（Mon，）研究了这个问题。