深度神经决策森林 (DNDF):在网络流量分析中增强入侵检测系统的新方法
Fatma S Alrayes1, Mohammed Zakariah2, Maha Driss3,4
1Information Systems Department, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, Riyadh 11671, Saudi Arabia.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
一种新的深度神经决策森林 (DNDF) 模型显著增强了网络安全的入侵检测系统 (IDS). DNDF达到99.96%的精度,在识别网络威胁方面表现优于传统方法.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 侵入检测系统 (IDS) 对于网络安全至关重要,作为防御网络攻击的第一道防线.
- 传统的IDS通常无法提供准确的实时威胁检测,原因是不断变化的网络威胁和网络流量的复杂性.
- 迫切需要创新的方法来提高IDS在网络流量分析中的性能.
研究的目的:
- 引入和评估一种新的深度神经决策森林 (DNDF) 模型,以提高入侵检测.
- 用多个数据集评估DNDF模型在网络流量分析中的有效性.
- 证明DNDF模型在检测网络入侵方面优于现有的方法.
主要方法:
- 开发了一个深度神经决策森林 (DNDF) 模型,将深度网络与分类树集成在一起,以增强数据表示学习.
- 使用CICIDS 2017数据集进行初始网络流量分析和模型培训.
- 扩展到CICIDS 2018的实验评估和定制的网络流量数据集以验证性能.
主要成果:
- 在2017年CICIDS数据集中,DNDF模型实现了99.96%的显著精度.
- 与参考方法相比,DNDF在网络入侵检测方面表现优越.
- 该模型有效地在深层中创建了潜在的表示,这有助于其高精度.
结论:
- 深度神经决策森林 (DNDF) 模型在入侵检测能力方面取得了重大进展.
- DNDF的成功归因于改进的特征表示,模型优化和对杂/不平衡数据的弹性.
- DNDF模型为增强网络安全和入侵检测系统提供了强大的解决方案.
