企业网络中的入侵检测系统的培养网和LSTM混合方法
Gaetano Volpe1, Marco Fiore1, Annabella la Grasta1
1Department of Electrical and Information Engineering, Polytechnic University of Bari, 70126 Bari, Italy.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
这项研究引入了一种混合入侵检测系统 (IDS),使用长短期内存 (LSTM) 和佩特里网 (PN) 来实时识别和阻止恶意流量,达到99.71%的准确性.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 侵入检测系统 (IDS) 对于网络安全至关重要.
- 机器学习 (ML) 提高了IDS的有效性,但往往缺乏实时流量管理.
- 传统方法在实时应用和立即威胁缓解方面扎.
研究的目的:
- 提出一种新的混合方法,用于实时识别和排除恶意网络流量.
- 将长短期内存 (LSTM) 网络与彼得里网 (PN) 结合起来,以增强IDS功能.
- 为虚拟环境和网络物理系统 (CPS) 开发一种可适应的解决方案.
主要方法:
- 一个长期短期记忆 (LSTM) 监督的人工神经网络模型处理连续的数据包组.
- 佩特里网络 (PN) 模拟了IDS架构,根据LSTM输出控制数据包流.
- 混合LSTM-Petri Net模型使用IDS 2018数据集进行了训练和验证.
主要成果:
- 混合LSTM-Petri Net方法实现了99.71%的检测准确度.
- 这与传统的仅用LSTM的方法相比是显著的改进,LSTM的平均准确性为97%.
- 该系统展示了实时适应性和有效的威胁检测能力.
结论:
- 新的LSTM-Petri Net方法提供了增强的威胁检测,提高了准确性和实时适应性.
- 这种混合模型将机器学习与正式的网络建模相结合,以实现先进的网络安全.
- IDS/IPS被描述为一种用于现代网络安全需求的"虚拟传感技术".
