DRL-GAN:用于二进制和多类网络入侵检测的混合方法
Caroline Strickland1, Muhammad Zakar1, Chandrika Saha1
1Department of Computer Science, The University of Western Ontario, London, ON N6A 3K7, Canada.
Sensors (Basel, Switzerland)
|May 11, 2024
概括
本研究介绍了一种混合入侵检测系统 (IDS),使用生成对抗网络 (GAN) 来创建用于训练深度强化学习 (DRL) 模型的合成数据,从而改善罕见网络攻击的检测.
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:
- 全球范围内,基于网络的攻击正在增加.
- 侵入检测系统 (IDS) 对于网络安全至关重要.
- 现有的基于机器学习的IDS因数据集不平衡而难以检测不常见的攻击类型.
研究的目的:
- 开发一种新的混合技术,用于增强入侵检测系统 (IDS).
- 改进网络流量数据中少数攻击类别的分类.
- 解决当前基于机器学习的IDS在处理不平衡数据集方面的局限性.
主要方法:
- 实施了一种混合方法,将生成对抗网络 (GAN) 和深度强化学习 (DRL) 结合起来.
- 在NSL-KDD数据集上训练GAN模型以生成合成网络流量数据.
- 利用合成数据来训练DRL模型进行入侵检测.
主要成果:
- 混合GAN-DRL模型在分类少数阶级方面表现得更好.
- 在GAN生成的合成数据上训练DRL模型的表现优于在原始不平衡数据集上的训练.
- 对于较少频繁的网络攻击类型,观察到更高的检测和分类准确性.
结论:
- 使用GAN的合成数据生成可以显著提高基于DRL的IDS的有效性.
- 这种混合方法为检测罕见且具有挑战性的网络攻击提供了有希望的解决方案.
- 这些发现突出了GAN在解决网络安全中的数据不平衡问题方面的潜力.
相关概念视频
01:26Classification of Systems-I
Linearity is a system property characterized by a direct input-output relationship, combining homogeneity and additivity.
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
01:31Classification of Systems-II
Continuous-time systems have continuous input and output signals, with time measured continuously. These systems are generally defined by differential or algebraic equations. For instance, in an RC circuit, the relationship between input and output voltage is expressed through a differential equation derived from Ohm's law and the capacitor relation,