一种混合特征加权的基于注意力的深度学习方法,用于使用随机森林算法检测入侵系统.
Arshad Hashmi1, Omar M Barukab2, Ahmad Hamza Osman1
1Faculty of Computing and Information Technology in Rabigh (FCITR), Department of Information Systems, King Abdulaziz University, Jeddah, Saudi Arabia.
PloS one
|May 23, 2024
概括
本研究引入了一种混合模型 (MCL-FWA-BILSTM),通过解决阶级不平衡来改进入侵检测系统 (IDS). 该模型在检测网络攻击方面实现了高精度,大大减少了虚假警报,以提高网络安全.
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:
- 网络系统面临不断变化的威胁,这使得入侵检测具有挑战性.
- 侵入检测数据集中的类不平衡导致高假负率.
- 现有的入侵检测系统 (IDS) 需要提高准确性和减少错误报警.
研究的目的:
- 开发一种先进的混合模型,用于有效的入侵检测.
- 解决网络流量数据中类不平衡的关键问题.
- 为了提高IDS对入侵的敏感性,同时最大限度地减少假阳性.
主要方法:
- 一个混合模型 (MCL-FWA-BILSTM) 整合了平均卷积层 (MCL),特征加权注意力 (FWA),双向长期短期记忆 (BILSTM) 和随机森林.
- 使用CNN-MCL层进行预处理和特征提取.
- 使用BI-LSTM和自我注意特征权重来缓解类失衡.
- 使用随机森林对连锁注意力和BI-LSTM特征进行分类.
主要成果:
- 在NSL-KDD数据集上实现了99.67% (二进制) 和99.88% (多类) 的准确性.
- 在UNSW-NB15数据集上实现了99.56% (二进制) 和99.45% (多类) 的准确性.
- 在检测率,假阳性率 (FPR) 和F-score方面表现优于以前的模型,减少了假阳性,增加了真阳性.
结论:
- 在入侵检测中,MCL-FWA-BILSTM模型有效地处理了类不平衡.
- 拟议的模型在识别各种网络入侵方面表现出卓越的性能.
- 这项研究为网络安全中强大的IDS开发提供了有价值的见解和实际解决方案.


