通过混合机器学习算法应用程序保护关键基础设施的积极威胁狩猎

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 关键基础设施保护 关键基础设施保护

背景情况:

• 全球网络安全威胁正在升级,特别是针对关键基础设施.
• 传统的安全措施对于积极的威胁狩猎是不够的.
• 需要先进的方法来自动检测威胁并改善应对.

研究的目的:

• 评估各种机器学习模型在网络安全中主动搜索威胁的有效性.
• 为了比较随机森林 (RF),支持矢量机 (SVM),多层感知器 (MLP),AdaBoost和混合模型的性能.
• 确定在关键基础设施环境中检测威胁的最有效模型.

主要方法:

• 实施多种机器学习模型:RF,SVM,MLP,AdaBoost和混合方法.
• 模型部署在接近设备,接入点和主要服务器上,用于威胁检测.
• 基于ROC面积,准确性,威胁检测数和错误阳性等指标的绩效评估.

主要成果:

• AdaBoost模型表现出最高的效率,ROC面积为0.98,准确率为95.7%,检测到146种威胁.
• 随机森林模型实现了0.98的ROC面积和95%的准确性,识别了132个威胁,错误阳性较少.
• 混合模型显示有希望 (0.89 ROC面积,94.9%准确度),但需要进一步优化虚假阳性减少.

结论:

• 机器学习显著提高了网络安全,特别是关键基础设施.
• AdaBoost和Random Forest对于主动搜寻威胁非常有效,提高了检测速率和准确性.
• 先进的ML技术的持续学习能力确保适应不断变化的网络威胁.