加强网络安全:通过加强少数民族阶级的认可来实现高性能入侵检测方法.
Chadia E L Asry1, Ibtissam Benchaji1, Samira Douzi1,2
1IPSS Laboratory, Faculty of Sciences, Mohammed V University, Rabat, Morocco.
PloS one
|March 28, 2025
概括
本研究引入了入侵检测系统 (IDS) 的新方法,以改善罕见网络攻击的检测. 通过使用SHAP进行特征选择和XGBoost,该系统有效地识别了像虫这样的少数类威胁.
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:
- 互联网的扩散需要强有力的网络安全措施.
- 侵入检测系统 (IDS) 难以识别少数群体类攻击.
- 现有的方法,如类失衡或重新抽样,都有局限性.
研究的目的:
- 开发一种有效的方法来检测网络流量中的少数类攻击.
- 为了提高入侵检测系统对罕见威胁的精度和召回.
- 解决当前IDS方法论在处理不平衡数据集方面的局限性.
主要方法:
- 使用Shapley添加式解释 (SHAP) 进行特征选择.
- 使用的递归特征消除与交叉验证 (RFECV).
- 实现了XGBoost作为分类模型.
主要成果:
- 在UNSW NB15数据集上实现了0.8095,0.8293和0.8193的精度,回忆和F1分数.
- 证明了对少数群体类攻击,特别是"虫"的改进识别.
- 在CICIDS2019和CICIoT2023数据集中验证了有效性.
结论:
- 拟议的SHAP-RFECV-XGBoost方法显著提高了少数类网络攻击的检测.
- 与传统技术相比,这种方法为不平衡的网络安全数据提供了更有效的解决方案.
- 这些发现证实了该方法在各种数据集中的稳定性和适用性.
