使用可解释组合深度学习提高入侵检测性能.

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 人工智能的人工智能

背景情况:

• 大型网络数据的指数增长需要先进的入侵检测系统.
• 现有的方法往往缺乏准确性和可解释性,阻碍了有效的威胁识别和应对.

研究的目的:

• 为准确和可解释的入侵检测提出一种新的双相可解释集团深度学习 (EED) 方法.
• 增强对攻击行为的理解,以改善网络安全策略.

主要方法:

• 一种两阶段的方法,将集体深度学习与可解释性技术相结合.
• 第一个阶段:一个整体模型,包含三个一维的长短期记忆 (LSTM) 网络和用于攻击识别的元学习器.
• 第2阶段:SHape增量解释 (SHAP) 来解释模型输出并突出贡献因素.

主要成果:

• 与传统方法相比,EED方法在识别和分类网络攻击方面表现出更高的准确性.
• 在真实数据集上的实验验验证了EED在检测准确性和输出可解释性方面的有效性.
• SHAP分析提供了对驱动攻击分类的因素的明确见解,帮助安全专家解释.

结论:

• 通过将高精度与透明的决策相结合,EED方法在入侵检测方面取得了重大进展.
• 这种方法使安全专业人员有了可操作的洞察力,能够有效地理解和减轻网络威胁.
• 在面对不断变化的网络数据量和攻击复杂性时,EED有助于构建更强大和可靠的网络安全防御.