侵入检测方面的进步:一个轻量级混合RNN-RF模型
Nasrullah Khan1, Muhammad Ismail Mohmand1, Sadaqat Ur Rehman2
1Department of Computer Science Brains Institute, Peshawar, Pakistan.
PloS one
|June 21, 2024
概括
本研究介绍了一种使用重复神经网络 (RNN) 进行增强数据预处理和特征提取的新型入侵检测系统. 该方法实现了高精度,改善了对不断变化的网络威胁的网络安全.
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:
- 计算机网络容易受到各种攻击,威胁数据安全和通信自由.
- 传统的入侵检测方法经常与复杂的,不断变化的威胁作斗争.
研究的目的:
- 引入一种利用循环神经网络 (RNN) 的新型入侵检测技术.
- 加强数据预处理和特征提取,以提高网络安全性.
主要方法:
- 使用RNN进行数据预处理和从隐藏层提取特征.
- 应用各种分类算法 (决策树,随机森林,CatBoost) 进行特征后提取.
- 逆转修改管道的训练和特征提取的常规顺序.
主要成果:
- 在网络安全实验室 (NSL) 数据集上实现了99.6%的准确性.
- 在加拿大网络安全研究所 (CIC) 2017年数据集上实现了99.8%和99.9%的准确性.
- 证明了RNN在入侵检测方面的实用意义.
结论:
- 这种基于RNN的新方法显著提高了入侵检测能力.
- 修改后的管道为网络安全方法提供了重大转变.
- 这种技术对于保护数据安全和通信自由免受现代网络威胁至关重要.
