基于无监督学习和开放式识别的未知入侵流量检测方法
1Naval Aviation University, Yantai, 264001, China.
Scientific reports
|May 16, 2025
概括
本研究介绍了一种新的开放式入侵检测模型,使用生成对抗网络和OpenMax. 该模型有效地以高准确度识别未知网络流量,增强网络安全防御.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 网络安全 网络安全
背景情况:
- 侵入检测系统 (IDS) 对网络安全和用户隐私至关重要.
- 目前的IDS经常受到低分类准确度和专注于封闭式检测的困扰,无法识别新的威胁.
- 需要强大的方法来检测和分类未知的 (开放式) 网络流量.
研究的目的:
- 为开放式网络流量提出一种新的检测和分类模型.
- 解决现有的入侵流量检测算法的局限性,特别是它们的低准确性和封闭性质.
- 提高入侵检测系统识别以前未见的恶意网络活动的能力.
主要方法:
- 开发一个开放式流量检测和分类模型,集成信息最大化生成对抗网络 (GM) 和OpenMax算法.
- 在封闭条件下训练入侵流量分类模型.
- 使用OpenMax算法重新计算样本激活向量,以估计未知流量类别的概率.
主要成果:
- 拟议的模型在CICIDS2017对开放集流量的数据集上实现了高分类准确性.
- 误用检测准确度超过了88.5%,异常检测准确度超过了88.2%.
- 该模型在检测各种类型的未知流量方面表现出有效性,具有显著的准确性和稳定性.
结论:
- 开发的模型为开放式入侵流量检测和分类提供了有效的解决方案.
- 整合GM和OpenMax可以更好地识别未知的网络威胁.
- 这些发现有助于提高网络通信安全性,并保护用户信息隐私免受不断变化的网络威胁.
