研究基于混合采样和深度学习的网络入侵检测模型
1School of Intelligence Science and Technology, Beijing University of Civil Engineering and Architecture, Beijing 102616, China.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
本研究引入了一种增强的网络入侵检测模型 (TRBMA),该模型显著提高了恶意流量分类的准确性. 一种变体 (TRBMA-BS-OSS) 进一步提高了不平衡数据集的性能,实现了近乎完美的检测率.
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:
- 现有的网络入侵检测模型在不完整的时间特征学习和低恶意流量分类准确性方面扎.
- 挑战包括准确识别恶意流量,特别是在不平衡数据集中的小样本大小.
研究的目的:
- 提出一个增强的网络入侵检测模型 (TRBMA),克服时间特征学习和分类准确性的局限性.
- 开发一种变体 (TRBMA-BS-OSS),专门针对不平衡数据集中具有小样本大小的恶意流量类型的低识别率.
主要方法:
- TRBMA模型将1D时间卷积网络 (TCN) 与ResNet18,双向门式循环单元 (BiGRU) 和多头自我注意 (Multi-Head Self-Attention) 集成在一起,用于全面的时间特征学习.
- 对于时间序列数据,ResNet架构被调整为1D版本,而AdamW优化器用于改进训练.
- 为了处理不平衡的数据,TRBMA-BS-OSS 采用了 Borderline SMOTE-OSS 混合采样.
主要成果:
- TRBMA模型在CIC-IDS-2017数据集上对恶意流量进行分类时达到98.66%的准确性,在精度,回忆和F1-score方面表现优于基线模型.
- TRBMA-BS-OSS变体在不平衡的数据集上表现出卓越的性能,在小样本恶意流量类型中达到99.88%的整体预测准确度.
结论:
- 拟议的TRBMA模型通过改善时间特征学习和分类准确性,显著提高了网络入侵检测.
- 该TRBMA-BS-OSS变体有效地解决了在不平衡的数据集中检测罕见恶意流量类型的挑战,为网络安全提供了强大的解决方案.
