DDP-DAR:基于无声扩散概率模型和双重注意剩余网络的网络入侵检测
Saihua Cai1, Yingwei Zhao2, Jiaao Lyu2
1School of Computer Science and Communication Engineering, Jiangsu University, Zhenjiang, 212013, Jiangsu, China; Jiangsu Key Laboratory of Security Technology for Industrial Cyberspace, Jiangsu University, Zhenjiang, 212013, Jiangsu, China.
概括
网络入侵检测 (NID) 模型与不平衡的数据作斗争. 本研究介绍了DDP-DAR,使用扩散模型来增强数据和双重注意网络来提高检测网络威胁的准确性.
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:
- 网络入侵检测 (NID) 系统面临着挑战,因为正常和恶意流量之间的数据不平衡很大.
- 这种不平衡对NID模型的培训产生了负面影响,导致对多数阶级有偏见的检测.
- 解决数据不平衡的现有方法,例如减少正常流量或增加入侵流量,具有局限性.
研究的目的:
- 提出一种新的网络入侵检测方法,DDP-DAR,有效处理数据不平衡.
- 增强特征表示,数据增强和入侵检测阶段,以提高NID性能.
- 利用先进的深度学习技术,更准确,更稳定地检测网络入侵.
主要方法:
- 开发了一种新的特征表示方法,将网络流量转换为RGB图像,捕获全球和本地特征.
- 使用无声扩散概率模型 (DDPM) 进行数据增强,结合辅数噪声加值和可学习变量,以生成高质量的合成数据.
- 采用双重注意剩余网络 (DAR) 进行入侵检测,专注于多层特征提取和注意机制,以识别关键网络流量模式.
主要成果:
- 与最先进的数据增强技术相比,提出的DDP-DAR方法在准确性,F1测量,FPR和ROC-AUC指标方面表现出卓越的表现.
- 实验证实,DDP-DAR在网络入侵检测任务中取得了更稳定的检测结果.
- 新型特征表示和基于DDPM的增强显著提高了模型处理不平衡数据集的能力.
结论:
- 通过高级特征表示和生成数据增强,DDP-DAR有效地解决了网络入侵检测中的数据不平衡问题.
- 双重注意剩余网络组件增强了模型提取突出特征的能力,以准确识别入侵者.
- 拟议的方法为提高网络空间对网络入侵的安全提供了一个有希望和强大的解决方案.
