GSB:GNGS和SAG-BiGRU网络用于恶意软件的动态检测
Zhanhui Hu1, Guangzhong Liu1, Xinyu Xiang1
1College of Information Engineering, Shanghai Maritime University, Shanghai, China.
PloS one
|April 18, 2024
概括
本研究介绍了高斯噪音生成策略 (GNGS),以平衡恶意软件检测数据集,改善少数攻击类型的识别. 通过Self-Attention with Gate (SAG) -BiGRU模型实现了88.7%的恶意软件分类准确度.
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:
- 互联网的增长推动了恶意软件的发展,给网络安全带来了重大挑战.
- 恶意软件检测中的不平衡数据集阻碍了对罕见但至关重要的少数攻击类别的准确识别.
- 少数群体攻击恶意软件可能会造成巨大的财务和运营损失.
研究的目的:
- 为了应对在恶意软件检测中不平衡数据集的挑战.
- 提高少数恶意软件类别的检测率.
- 开发一个更有效的恶意软件检测模型,优先考虑关键威胁.
主要方法:
- 提出了高斯噪声生成策略 (GNGS),以创建一个平衡的数据集.
- 利用基于变压器的自我注意与门 (SAG) 机制进行特征提取,过噪音.
- 采用双向门式反复单元 (BiGRU) 网络进行时间序列特征提取.
- 实现了一个SoftMax分类器用于最终分类.
主要成果:
- GNGS算法有效地平衡了少数恶意软件类别的分布.
- 在八类恶意软件分类任务中,SAG-BiGRU算法实现了88.7%的准确率.
- 拟议的GSB深度学习模型在阿里巴巴云和NSL-KDD数据集上都表现出有效性,这表明其广泛适用性.
结论:
- 对于缓解恶意软件检测中的数据不平衡问题,GNGS算法是一个可行的解决方案.
- 与现有的算法相比,SAG-BiGRU模型在恶意软件多重分类方面提供了卓越的性能.
- 该GSB模型显示了在各种数据集中有效的网络入侵检测的前景.
