数据驱动的网络分析用于异常交通检测

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 网络流量分析 网络流量分析

背景情况:

• 经典的网络安全系统与零日攻击作斗争.
• 现有的机器学习数据集缺乏现实的流量多样性和攻击场景.
• 有效的异常检测需要全面和现实的网络数据.

研究的目的:

• 开发一个现实的网络数据集,具有多样化的攻击和背景流量.
• 用创建的数据集来评估用于异常检测的机器学习算法.
• 评估CNN-Pseudo-AE模型与经典监督方法的性能.

主要方法:

• 创建一个新的,现实的网络数据集,包含各种攻击类型和背景流量 (HTTP,流媒体,SMTP).
• 无监督机器学习算法的实施和比较,特别是与伪自动编码器 (AE) 结合的卷积神经网络 (CNN).
• 对异常流量的经典监督机器学习算法进行检测性能评估,重点是分布式拒绝服务 (DDoS) 攻击.

主要成果:

• 开发的数据集为训练和测试异常检测系统提供了一个现实的环境.
• 无监督模型CNN-Pseudo-AE的检测性能与传统的监督学习算法相当.
• 这些发现突显了CNN-Pseudo-AE架构在实际网络安全应用中的潜力.

结论:

• 创建的现实的网络数据集解决了现有资源的局限性.
• CNN-Pseudo-AE模型提供了一种可行的无监督方法来检测复杂的网络异常.
• 这项研究为加强对先进威胁的网络安全防御提供了有希望的工具.