基于BSGM混合采样的适应性1DCNN网络入侵检测技术的研究
Wei Ma1, Chao Gou1, Yunyun Hou1
1School of Information Engineering, North China University of Water Resources and Electric Power, Zhengzhou 450046, China.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
本研究介绍了BSGM-QPSO-1DCNN,这是一种新的方法,用于应对因数据不平衡而导致的网络入侵检测挑战. 它显著提高了少数攻击类的检测率,提高了整体网络安全.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 网络安全受到越来越多的网络攻击威胁.
- 不平衡的数据集,缺乏攻击数据,阻碍了分类器的性能.
- 优化卷积神经网络 (CNN) 参数,如卷积内核,是一个挑战.
研究的目的:
- 为了解决网络入侵检测中的类失衡.
- 为了自动优化CNN参数以提高检测能力.
- 为了提高少数攻击类的检测率.
主要方法:
- 开发了一种混合采样技术,即边界-SMOTE和高斯混合模型 (BSGM).
- 量子粒子群集优化 (QPSO) 用于确定1DCNN的最佳卷积内核.
- 在KDD99数据集上对BSGM-QPSO-1DCNN方法进行了评估,并与基准模型进行了对比.
主要成果:
- BSGM-QPSO-1DCNN实现了99.93% (二进制) 和99.94% (多类) 的高准确率.
- 少数类R2L和U2R的精度分别提高了68%和66%.
- 拟议的方法的性能优于其他五种入侵检测模型.
结论:
- BSGM-QPSO-1DCNN是网络入侵检测中数据不平衡的有效解决方案.
- 混合方法显著提高了罕见但关键的网络攻击的检测.
- 这项研究提供了一种强大的方法来改善网络安全防御.
