基于签名的入侵检测使用机器学习和深度学习方法,并使用模糊集群赋权
Usama Ahmed1, Mohammad Nazir2, Amna Sarwar3
1Department of Artificial Intelligence, School of Systems and Technology, University of Management and Technology, Lahore, 54700, Pakistan.
Scientific reports
|January 11, 2025
概括
这项研究使用机器学习 (ML) 和深度学习 (DL) 来增强网络安全,用于入侵检测系统 (IDS). 支持矢量机和随机森林提供可解释的解决方案,而LSTM和ANN在检测复杂,不断变化的威胁方面表现出色.
科学领域:
- 网络安全 网络安全
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 由于数字威胁不断升级,网络安全至关重要.
- 侵入检测系统 (IDS) 对于监控和防止网络攻击至关重要.
- 机器学习 (ML) 和深度学习 (DL) 的结合为网络防御提供了先进的解决方案.
研究的目的:
- 通过整合ML和DL方法来提高网络安全,用于入侵检测.
- 评估各种ML和DL模型在识别和防止网络入侵方面的有效性.
- 根据性能和可解释性,确定最适合现实世界IDS应用的模型.
主要方法:
- 支持矢量机 (SVM),K-最近邻居 (KNN),随机森林 (RF),决策树 (DT),长短期记忆 (LSTM) 和人工神经网络 (ANN) 模型的实施和测试.
- 分析网络流量数据以区分正常和侵入性行为.
- 在精度,准确性和回忆方面对模型性能进行比较评估.
主要成果:
- 所有测试的模型都表现出处理网络流量数据的能力,并区分正常和侵入性活动.
- 像SVM,KNN,RF和DT这样的传统ML模型显示出有效的入侵检测能力.
- 深度学习模型,LSTM和ANN,在识别复杂的,长期的模式和细微的威胁方面非常有效,具有高精度和准确性.
结论:
- 由于其可靠性和可解释性的平衡,建议SVM和Random Forest用于实际的IDS.
- LSTM和ANN适用于检测复杂和不断发展的网络威胁,需要对顺序数据进行分析.
- 该研究强调了混合ML和DL方法在强大的网络安全方面的潜力.
