基于USFAD的有效未知攻击检测,专注于IDS框架

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:

• 物联网 (IoT) 和工业物联网 (IIoT) 系统的普及加剧了网络威胁.
• 传统的入侵检测系统 (IDS) 通常依赖于监督机器学习,需要广泛的标记攻击数据,这在现实世界中很难获得.
• 监督的IDS难以检测零日或新型攻击,因为威胁格局不断变化.

研究的目的:

• 提出和评估半监督学习策略,以开发有效的入侵检测系统 (IDS).
• 为应对有限的攻击样本和传统IDS无法检测未知的网络威胁的挑战.
• 为了比较基于合成数据的监督模型与仅在良性流量上训练的一类分类 (OCC) 模型的性能.

主要方法:

• 为IDS实施了两种半监督学习方法: (1) 使用合成攻击样本进行监督学习, (2) 仅在良性网络流量上进行训练的一类分类 (OCC).
• 在OCC模型中使用了最先进的异常检测技术USFAD.
• 在最近的10个基准入侵检测系统 (IDS) 数据集上评估了这两种方法,模拟了现实世界的条件.

主要成果:

• 一类分类 (OCC) 模型,特别是基于USFAD的模型,表现出明显优异的性能.
• 基于USFAD的OCC模型超过了传统的监督分类方法.
• 此外,OCC方法也比其他经过测试的基于OCC的技术显示出更好的结果,特别是在检测以前看不见的攻击方面.

结论:

• 半监督学习,特别是具有像usfAD这样的先进异常检测的一类分类 (OCC),为入侵检测系统 (IDS) 提供了强大的解决方案.
• 这种方法有效地克服了监督方法在需要攻击样本和检测新型网络威胁方面的局限性.
• 基于usfAD的OCC模型对现实世界的网络安全非常有效,特别是用于识别零日攻击.