一种入侵检测模型,用于检测使用机器学习在未见数据中的零日攻击

科学领域:

• 网络安全和网络防御
• 机器学习用于异常检测.
• 侵入检测系统 侵入检测系统

背景情况:

• 不断升级的网络安全威胁,包括零日攻击,挑战现有的检测系统.
• 数字技术的快速发展需要先进的方法来识别新的网络威胁.
• 当前的入侵检测系统经常与零日漏洞的复杂性作斗争.

研究的目的:

• 开发和评估针对零日攻击的增强入侵检测系统.
• 调查自动编码器在网络安全环境中异常检测的有效性.
• 通过整合异常检测能力来提高传统机器学习模型的性能.

主要方法:

• 利用CIC-MalMem-2022数据集进行训练和测试入侵检测模型.
• 采用自动编码器用于异常检测,以识别与正常网络行为的偏差.
• 集成了一个训练有素的自动编码器与XGBoost和随机森林算法,创建XGBoost-AE和随机森林-AE模型.

主要成果:

• 随机森林-AE模型在训练数据上实现了100%的准确性,精度,回忆,F1分数和MCC.
• 拟议的随机森林-AE模型显著优于先前公布的方法.
• 在未见的数据上,Random Forest-AE以99.9892%的准确度和近乎完美的精度,回忆和F1分数保持了卓越的表现.

结论:

• 将异常检测与传统模型相结合,大大提高了入侵检测性能.
• 随机森林-AE模型在检测零日网络威胁方面表现出高效率和稳定性.
• 拟议的方法为实时网络安全威胁识别提供了一个有希望的解决方案,即使是新型攻击.