基于对比学习的端到端网络入侵检测

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 网络安全 网络安全

背景情况:

• 传统的网络入侵检测系统 (NIDS) 通常依赖于手动功能工程,这在复杂的网络流量和不断发展的攻击方法下变得越来越低效.
• 正常和恶意网络行为之间的区别正在模糊,挑战现有的检测机制.
• 目前的NIDS方法在检测新型和未知的网络威胁方面存在困难.

研究的目的:

• 提出一个新的端到端入侵检测框架,利用对比学习.
• 开发一种深度学习模型,能够自动从原始网络流量中提取时空特征.
• 增强NIDS检测未知网络攻击的能力.

主要方法:

• 一个层次化的卷积神经网络 (CNN) 和门式循环单元 (GRU) 模型被设计用于自动化的时空特征提取.
• 整合了对比式学习,以改善良性和恶意网络流量表示之间的分离.
• 根据CIC-IDS2017和CSE-CIC-IDS2018数据集,对拟议的框架进行了评估.

主要成果:

• 拟议的方法实现了最先进的性能,已知攻击的检测准确率为99.9%.
• 对于未知攻击,该框架显示了95%的加权召回率.
• 对比式学习显著提高了在学习的表示空间中正常和恶意流量之间的区别.

结论:

• 基于对比学习的端到端入侵检测框架,与传统方法相比,提供了更高的性能,特别是在未知威胁方面.
• CNN-GRU模型有效地从原始网络流量中直接提取相关功能,减少对手动功能工程的依赖.
• 这种方法代表了在开发强大的和适应性的网络入侵检测系统方面取得的重大进展.