SA3C-ID:一种使用特征选择和对抗训练的新型网络入侵检测模型

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 网络安全 网络安全

背景情况:

• 像物联网和5G这样的新兴技术带来了复杂的网络安全挑战.
• 传统的入侵检测系统在特征提取,复杂性和数据不平衡方面扎,导致效率低下.
• 需要先进的网络入侵检测方法来克服现有的局限性.

研究的目的:

• 提出一种基于强化学习的新型对抗性入侵检测模型,软对抗性异步演员-关键入侵检测 (SA3C-ID),以强化学习为基础.
• 解决传统方法的局限性,包括不足的特征提取,高模型复杂性和数据不平衡.
• 提高网络入侵检测系统的效率和准确性.

主要方法:

• 使用一次性编码和标准化进行数据预处理.
• 通过改进的 pigeon-inspired optimizer (PIO) 算法进行特征选择.
• 模拟入侵检测作为一个马尔科夫决策过程,与软行动者-关键 (SAC) 强化学习集成,用于与攻击者和防御者进行对抗训练.

主要成果:

• 与普遍存在的入侵检测模型相比,SA3C-ID模型显示出更高的性能.
• 获得了高的F1分数:NSL-KDD的92.58%和CSE-CIC-IDS2018.2018的98.76%
• 废弃实验和比较评估验证了模型的稳定性和概括能力.

结论:

• 该SA3C-ID模型有效地解决了传统入侵检测方法的局限性.
• 提出的对抗强化学习方法显著提高了检测效率,减少了虚假警报.
• SA3C-ID为现代网络入侵检测提供了强大而通用的解决方案.