在检测尸网络攻击时应用表示学习

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:

• 尸网络检测是一个持续的网络安全挑战.
• 传统的方法由于不良的概括,与新的威胁作斗争.
• 现有的方法往往是反应性的,并受到手动特性工程的限制.

研究的目的:

• 为增强尸网络检测开发一个强大的框架.
• 克服传统方法的局限性,特别是对未见的威胁的概括性.
• 提高入侵检测系统的适应性和弹性.

主要方法:

• 实施了先进的功能工程,包括IP地址的八位数分割.
• 利用希尔伯特空间填充曲线将网络流体表示学习转化为2D图像.
• 用SMOTE,加权采样器和焦点损失解决了类不平衡.

主要成果:

• 在未见的尸网络数据上获得了98.34%的准确性和98.38%的加权F1分数.
• 与传统模型相比,展示了优越的概括能力.
• 在跨场景验证中成功检测到新的尸网络家族.

结论:

• 拟议的框架大大提高了尸网络检测的准确性和通用性.
• 学习,空间意识的表征在检测新威胁方面胜过传统模型.
• 这项工作推动了适应性和弹性入侵检测系统的发展.