一种基于异常的深度学习/机器学习方法,用于基于异常的网络入侵检测
Reem Almuhanna1, Samia Dardouri1,2
1Department of Computer Science, College of Computing and Information Technology, Shaqra University, Shaqraa, Saudi Arabia.
Frontiers in artificial intelligence
|September 25, 2025
概括
本研究介绍了一种基于异常的混合网络入侵检测系统 (NIDS),使用多个AI模型. 先进的系统在检测网络安全威胁方面实现了近乎完美的性能,提高了网络安全.
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:
- 网络安全威胁的复杂性和频率正在增加.
- 对于已知和新出现的攻击,需要先进的检测系统.
- 基于异常的网络入侵检测系统 (NIDS) 对于网络防御至关重要.
研究的目的:
- 开发一种基于异常的混合NIDS.
- 整合多个机器学习和深度学习算法.
- 改进各种网络安全威胁的检测.
主要方法:
- 使用XGBoost,随机森林,图形神经网络 (GNN),长短期记忆 (LSTM) 和自动编码器.
- 经过560多万个网络流量记录的训练,并进行了广泛的预处理.
- 采用合成少数群体过量采样技术 (SMOTE) 和加权软投票组合策略.
主要成果:
- 在初级数据集上实现了近乎完美的准确性,精度,回忆和F1分数.
- 使用5倍交叉验证验证的验证性能.
- 在独立的基准数据集上表现出强大的可通用性和稳定性.
结论:
- 混合组合框架显著提高了入侵检测能力.
- 拟议的NIDS在复杂和动态的网络环境中是有效的.
- 该系统显示了对现实世界网络安全应用的巨大潜力.
