ConCap: Practical Network Traffic Generation for (ML- and) Flow-based Intrusion Detection Systems
Ghent University – imec(根特大学–imec);University of Liechtenstein(列支敦士登大学);Reykjavik University(雷克雅未克大学)
ConCap通过生成真实网络环境下的自动标注流量数据,解决了NIDS研究中数据代表性不足的问题,验证了其在真实网络和基准数据集中的有效性。
2026-01-13 cs.CR cs.NI
Feature Analysis for Machine Learning-based IoT Intrusion Detection
The University of Queensland(昆士兰大学)
物联网(IoT)网络已成为越来越有吸引力的网络攻击目标。强大的机器学习(ML)模型最近被用于实现网络入侵检测系统以保护物联网网络。为了成功训练这种ML模型,选择正确的数据特征至关重要,从而最大限度地提高检测精度和计算效率。本文综合分析了特征集在网络攻击检测中的重要性和预测能力。三个特征选择算法:卡方,信息增益和相关性,已被用来识别和排名数据的功能。将属性馈送到两个ML分类器:深度前馈和随机森林,以测量它们的攻击检测性能。实验评估考虑了三个数据集:UNSW-NB 15,CSE-CIC-IDS 2018和ToN-IoT,采用其专有的流格式。此外,还考虑了NetFlow格式的各个变体,即,NF-UNSW-NB15、NF-CSE-CIC-IDS2018和NF-ToN-IoT。实验性评估探讨了添加个别功能的边际效益。我们的研究结果表明,准确性最初增加迅速添加功能,但迅速收敛到最大值。这表明了一个显着的潜力,以减少入侵检测系统的计算和存储成本,同时保持接近最佳的检测精度。这在物联网系统中具有特别的相关性,通常具有有限的计算和存储资源。
2022-11-23 cs.CR cs.LG cs.NI
Cyber Attack Detection thanks to Machine Learning Algorithms
University of Queensland(昆士兰大学)
多年来,网络安全攻击的频率和复杂性都在增长。这种日益复杂的情况要求在防御战略方面取得更多进展和不断创新。传统的入侵检测和深度数据包检测方法虽然仍被广泛使用和推荐,但已不足以满足日益增长的安全威胁的需求。随着计算能力的提高和成本的下降,机器学习被视为防御恶意软件、僵尸网络和其他攻击的替代方法或附加机制。本文探讨了机器学习作为一个可行的解决方案,通过检查其能力,在网络中的恶意流量进行分类。首先,执行强大的数据分析,从初始Netflow数据集中提取22个特征。然后通过特征选择过程将所有这些特征相互比较。然后,我们的方法分析了五种不同的机器学习算法对NetFlow数据集包含常见的僵尸网络。随机森林分类器在13个场景中的8个场景中成功检测到95%以上的僵尸网络,在最困难的数据集中成功检测到55%以上的僵尸网络。最后,洞察力,以改善和推广的结果,特别是通过自举技术。
2020-01-17 cs.CR cs.LG cs.NI
Performance Evaluation of Apache Spark MLlib Algorithms on an Intrusion Detection Dataset
互联网和网络服务使用的增加以及第五代蜂窝网络技术(5G)的出现以及不断增长的物联网(IoT)数据流量将增加全球互联网的使用。为了确保未来网络的安全性,必须实现基于机器学习的入侵检测和防御系统(IDPS)来检测新的攻击,并且可以使用大数据并行处理工具来处理这些系统中庞大的训练数据集合。本文采用通用的快速集群计算平台Apache Spark对大量网络流量特征数据进行处理和训练。在这项工作中,CSE-CIC-IDS 2018数据集的最重要特征用于构建机器学习模型,然后使用最流行的机器学习方法,即逻辑回归,支持向量机(SVM),三种不同的决策树分类器和朴素贝叶斯算法来训练使用多达八个工作节点的模型。我们的Spark集群包含七台机器作为工作节点,一台机器被配置为主节点和工作节点。我们使用CSE-CIC-IDS 2018数据集来评估这些算法在僵尸网络攻击上的整体性能,并使用分布式超参数调整来找到最佳的单个决策树参数。我们已经达到了100%的准确率,使用选定的功能,在我们的实验中的学习方法
2022-12-10 cs.NI
Predicting Process Name from Network Data
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
根据应用程序生成的网络数据识别应用程序的能力可能是网络防御的一个有价值的工具。我们报告的机器学习技术能够使用netflow的功能来预测产生的流量的应用程序。在我们的实验中,我们使用了从部署在大型企业环境中的基于主机的传感器获得的真实标签;我们将随机森林和多层感知器应用于浏览器与非浏览器识别,浏览器指纹识别和进程名称预测的任务。对于这些任务中的每一个,我们都演示了机器学习模型如何仅使用类似网络流的特征作为分类的基础来实现高分类精度。
2021-09-03 cs.AI cs.CR cs.LG
Watching Smartly from the Bottom: Intrusion Detection revamped through Programmable Networks and Artificial Intelligence
可编程数据平面的出现代表了软件定义网络范例的一次杰出的演变和彻底的革命。通过控制分组解析过程和执行定制操作来定义转发设备的整个行为的能力使得能够卸载传统上在控制平面处执行的功能。最近的一项研究探索了将人工智能算法的数据平面部分卸载的可能性,更具体地说,是机器学习算法,以提高其准确性和响应性(通过更详细的流量可见性)。这为入侵检测这一关键领域的发展带来了重大机遇。然而,将功能卸载到数据平面并不是一项简单的任务。在本文中,我们讨论了如何可编程数据平面可能补充不同阶段的入侵检测系统的基础上机器学习。我们提出了两个用例,证明了这种方法的可行性,并强调了在解决利用数据平面功能部署解决方案的挑战时必须考虑的方面。
2021-06-01 cs.NI
Application Layer Intrusion Detection with Combination of Explicit-Rule- Based and Machine Learning Algorithms and Deployment in Cyber- Defence Program
关于网络入侵检测与防御系统的研究已经有很多,但是关于应用层入侵检测与防御的研究还不多见,也不是很成熟。网络层和应用层的入侵检测和防御对于网络安全和企业系统安全具有重要意义。由于应用层入侵日益增多,必须给予足够的重视,并使用最先进的算法进行有效的检测和预防。本文讨论了商业和开源空间中应用层入侵检测和防御功能的现状,并提供了一条发展到更成熟状态的路径,不仅可以解决企业系统安全问题,还可以解决国家网络防御问题。可扩展性和成本效益是形成拟议解决方案的重要因素。
2014-11-12 cs.CR cs.NI
Evaluating Machine Learning-Driven Intrusion Detection Systems in IoT: Performance and Energy Consumption
本研究针对物联网中机器学习驱动的入侵检测系统,通过实证评估其在有无SDN集成、良性与攻击场景下的性能及能耗,填补相关研究空白并提供关键设计见解。
2025-04-13 cs.NI
Advancing Network Security: A Comprehensive Testbed and Dataset for Machine Learning-Based Intrusion Detection
本文提出一个基于容器、Kubernetes和eBPF/XDP的网络流量生成测试平台,并公开了一个完全满足真实标签特性的小规模恶意流量数据集,以支持基于机器学习的入侵检测研究。
2024-10-23 cs.CR cs.NI
A Machine Learning Based Intrusion Detection System for Software Defined 5G Network
College of Information Science & Electronic Engineering, Zhejiang University(浙江大学信息科学与电子工程学院)
作为未来5G网络的必然趋势,软件定义架构在提供集中控制和灵活资源管理方面具有诸多优势。但它也面临着各种安全挑战和新兴服务和技术的潜在威胁。入侵检测系统(IDS)作为网络安全的焦点,通常是分散部署,缺乏协作.它们也无法检测到智能能力有限的新型攻击,这难以满足软件定义的5G需求。本文提出了一种基于软件定义5G架构的智能入侵系统,该系统结合了软件定义技术和人工智能的先进技术。它灵活地将安全功能模块与全局视图相结合,在集中管理和控制下自适应地调用。它还可以通过使用机器学习算法来处理未知的入侵。评估结果表明,智能入侵检测系统达到了较好的性能。
2017-07-10 cs.AI cs.CR cs.NI
A Cyber Threat Intelligence Sharing Scheme based on Federated Learning for Network Intrusion Detection
提出基于联邦学习的协作式威胁情报共享框架,允许多组织在不共享敏感数据的情况下联合训练网络入侵检测模型,并在NetFlow格式数据集上验证其有效性。
2021-11-04 cs.AI cs.CR cs.LG
Machine Learning Methods for Network Intrusion Detection
网络安全工程师致力于通过处理入侵者攻击来保持服务始终可用。入侵检测系统(IDS)是一种可获得的机制,用于检测和分类任何异常行为。因此,IDS必须始终保持最新的入侵者攻击特征,以保持服务的机密性、完整性和可用性。入侵检测系统的速度是一个非常重要的问题,以及学习新的攻击。这项研究工作说明了如何知识发现和数据采掘(或数据库中的知识发现)KDD数据集是非常方便的测试和评估不同的机器学习技术。主要研究KDD的预处理部分,目的是为了准备一个像样的、公平的实验数据集。本研究选择了J48、MLP和贝叶斯网络分类器。事实证明,J48分类器在检测和分类DOS、R2L、U2R和PROBE类型的所有KDD数据集攻击方面达到了最高的准确率。
2018-09-01 cs.CR cs.NI
Intrusion Detection in Mobile Ad Hoc Networks Using Classification Algorithms
在本文中,我们提出的设计和评估的入侵检测模型的MANNETWORK使用监督分类算法。具体而言,我们评估的多层感知器(MLP),线性分类器,高斯混合模型(GMM),朴素贝叶斯分类器和支持向量机(SVM)的性能。分类算法的性能进行评估,在不同的流量条件和移动模式的黑洞,伪造,丢包,洪水攻击。结果表明,支持向量机对几乎所有的模拟攻击都表现出很高的准确性,丢包是最难检测的攻击。
2008-07-13 cs.CR cs.NI
Intrusion Detection Systems for IoT: opportunities and challenges offered by Edge Computing and Machine Learning
Sapienza University of Rome(罗马大学)
当前网络安全方法的关键组成部分是入侵检测系统(IDS),它们采用不同的技术和架构来检测入侵。IDS可以基于与已知入侵经验的数据库交叉检查监视的事件,称为基于签名,或者基于学习系统的正常行为并报告是否发生某些异常事件,称为基于异常。这项工作致力于调查IDS在物联网(IoT)网络中的应用,其中边缘计算也用于支持IDS的实现。识别在边缘场景中部署IDS时出现的新挑战,并提出补救措施。我们专注于基于异常的IDS,显示可以利用来检测异常的主要技术,我们提出了机器学习技术及其在IDS中的应用,描述了预期的优点和缺点,一个特定的技术可能会导致。
2022-04-14 cs.AI cs.CR cs.NI
Intrusion detection systems using classical machine learning techniques versus integrated unsupervised feature learning and deep neural network
Self-employed(自营(个体));IBM(国际商业机器公司);Amrita Vishwa Vidyapeetham(阿姆里塔维施瓦维迪亚佩塔姆大学)
安全分析师和管理员面临着检测和防止组织中的网络入侵的许多挑战,为了防止网络漏洞,及时检测漏洞至关重要。在检测不可预见的攻击时会出现挑战。这项工作包括对需要大量特征工程的经典机器学习方法与NSL-KDD数据集上的集成无监督特征学习和深度神经网络进行性能比较。运行各种试验以识别机器学习模型的合适的超参数和网络配置。使用主成分分析提取的15个特征的DNN是最有效的建模方法。使用软件定义网络功能进行的进一步分析也显示了使用深度神经网络的良好准确性。
2019-10-01 cs.CR cs.LG cs.NI
Using Rough Set and Support Vector Machine for Network Intrusion Detection
Chaoyang University of Technology(朝阳科技大学)
入侵检测系统(IDS)的主要功能是保护系统安全,分析和预测用户的行为。那么这些行为将被视为攻击或正常行为。虽然入侵检测系统已经发展了很多年,但是大量的返回警报消息使得管理人员对系统的维护效率很低。本文将粗糙集理论(Rough Set Theory)和支持向量机(支持向量机)相结合来检测入侵。首先,使用数据预处理器对数据进行预处理和降维。然后,将SVM选取的特征分别送入SVM模型进行学习和测试。该方法有效地降低了数据的空间密度。通过实验比较了不同方法的识别结果,结果表明,SVM和SVM模式可以有效地提高误检率和准确率。
2010-04-05 cs.CR cs.LG cs.NI
Machine Learning Techniques for Intrusion Detection
University of New Mexico(新墨西哥大学)
入侵检测系统(IDS)是一种监控单个计算机或计算机网络的恶意活动(攻击)的软件,这些恶意活动旨在窃取或审查信息或破坏网络协议。当今的入侵检测系统中使用的大多数技术都不能处理对计算机网络的动态和复杂的网络攻击。因此,像各种机器学习技术的有效自适应方法可以导致更高的检测率、更低的误报警率以及合理的计算和通信成本。在本文中,我们研究了几个这样的计划,并比较其性能。我们将方案分为基于经典人工智能(AI)的方法和基于计算智能(CI)的方法。我们解释了CI技术的各种特性可以用来构建高效的IDS。
2015-05-09 cs.CR cs.LG cs.NI
Machine Learning Based Intrusion Detection Systems for IoT Applications
物联网(IoT)及其应用是目前最热门的研究领域。物联网的特性一方面使其易于应用于现实生活中的应用,而另一方面又使其面临网络威胁。拒绝服务(DoS)是针对物联网的最具灾难性的攻击之一。在本文中,我们研究了使用机器学习分类算法来保护物联网免受DoS攻击的前景。本文对分类器进行了全面的研究,以期对基于异常的入侵检测系统的发展起到推动作用。分类器的性能评估是在突出的指标和验证方法。流行的数据集CIDDS-001,UNSW-NB 15和NSL-KDD用于基准分类器。采用Friedman和Nemenyi检验对分类器之间的显著性差异进行统计分析。此外,Raspberry Pi还用于评估物联网特定硬件上分类器的响应时间。我们还讨论了根据应用程序的要求选择最佳分类器的方法。本研究的主要目标是激励物联网安全研究人员使用集成学习开发IDS,并提出适当的方法对分类器的性能进行统计评估。
2023-02-24 cs.CR cs.NI
Leveraging Machine Learning Techniques in Intrusion Detection Systems for Internet of Things
本文综述了机器学习和深度学习技术在物联网入侵检测系统中的应用,评估多种ML/DL方法及生成式AI和LLMs的作用,并提出应对挑战的综合框架。
2025-04-09 cs.CR cs.NI
An Efficient Flow-based Multi-level Hybrid Intrusion Detection System for Software-Defined Networks
软件定义网络(SDN)是一种提供增强编程能力的新型网络范例,其可用于基于更有效的方法来解决传统的安全挑战。SDN范例中最重要的元素是控制器,它负责管理每个通信转发元素(交换机或路由器)的流。由控制器提供的流量统计被认为是有用的信息,可以用来开发基于网络的入侵检测系统。因此,在本文中,我们提出了一个5级混合分类系统的基础上流量统计,以达到提高系统的整体精度。对于第一级,我们采用k-最近邻方法(kNN);对于第二级,我们使用极端学习机(ELM);对于其余级别,我们使用分层极端学习机(H-ELM)方法。与传统的基于NSL-KDD基准数据集的监督机器学习算法相比,实验研究表明,我们的系统达到了最高水平的准确率(84.29%)。因此,我们的方法提出了一个有效的方法在SDN的入侵检测。
2018-06-11 cs.CR cs.NI
A Robust Comparison of the KDDCup99 and NSL-KDD IoT Network Intrusion Detection Datasets Through Various Machine Learning Algorithms
George Mason University(乔治梅森大学)
近年来,随着物联网网络上的入侵攻击呈指数级增长,迫切需要复杂的入侵检测系统(IDS)。目前绝大多数IDS都是数据驱动的,这意味着该研究领域最重要的方面之一是从物联网网络流量中获取的数据质量。两个被引用最多的入侵检测数据集是KDDCup 99和NSL-KDD。我们项目的主要目标是通过评估在两个数据集上训练的各种机器学习(ML)分类器的性能,对这两个数据集进行鲁棒比较,这些分类器具有比以前的研究人员更大的分类指标集。从我们的研究中,我们能够得出结论,NSL-KDD数据集的质量高于KDDCup 99数据集,因为在其上训练的分类器平均准确度低20.18%。这是因为在KDDCup 99数据集上训练的分类器表现出对其中冗余的偏见,使它们能够实现更高的准确性。
2019-12-31 cs.CR cs.LG cs.NI
An empirical evaluation for the intrusion detection features based on machine learning and feature selection methods
Mutah University(穆塔大学)
尽管信息技术,特别是互联网、计算机网络、全球信息交换取得了巨大发展,并在日常生活的各个领域产生了积极影响,但它也助长了渗透和入侵的发展,对信息组织、政府机构的安全构成了高度风险,并造成了巨大的经济损失。有许多技术设计用于保护,如防火墙和入侵检测系统(IDS)。入侵检测系统是一套用于检测计算机系统中黑客活动的软件和/或硬件技术。IDS中使用两种类型的异常来检测不同于正常用户行为的入侵活动。误用依赖于包含所有已知攻击技术的知识库,通过对该知识库的研究发现入侵。已经引入了人工智能技术来改善这些系统的性能。入侵检测系统的重要性在于识别那些试图破坏计算机网络的机密性、完整性或可用性的未经授权的访问。本文研究了三种机器学习算法,即贝叶斯网络算法,多层感知器(MLP)和支持向量机(SVM)的入侵检测(ID)问题。该算法应用于一个真正的,基于管理信息(MIB)的数据集,从现实生活中的环境中收集。为了提高检测过程的准确性,使用了一组特征选择方法; Infogain(IG)、ReleifF(RF)和遗传搜索(GS)。实验结果表明,这三种特征选择方法都提高了分类性能。具有贝叶斯网络,MLP和SVM的GS具有高准确率,更具体地说,具有GS准确率的贝叶斯网络为99.9%。
2017-12-27 cs.CR cs.LG cs.NI
Unsupervised Network Intrusion Detection System for AVTP in Automotive Ethernet Networks
Télécom Paris, IP Paris(巴黎电信学院,巴黎理工学院)
网络入侵检测系统(NIDS)被广泛认为是保护车载网络免受各种网络攻击的有效工具。然而,由于网络攻击总是在不断发展,基于特征的入侵检测系统不再被采用。另一种解决方案可以是部署基于深度学习的入侵检测系统,该系统在检测网络流量中的未知攻击模式方面发挥重要作用。因此,在本文中,我们比较了不同的无监督深度和基于机器学习的异常检测算法的性能,用于实时检测音频视频传输协议(AVTP)上的异常,AVTP是最近基于汽车以太网的车载网络中实现的应用层协议。在最近发布的“汽车以太网入侵数据集”上进行的数值结果表明,在不同的实验设置下,深度学习模型在机器学习中的表现明显优于其他最先进的传统异常检测模型。
2022-04-25 cs.CR cs.LG cs.NI
Combinatorial Optimization based Feature Selection Method: A study on Network Intrusion Detection
软件定义网络(SDN)、物联网(IoT)、微服务架构、云计算和网络功能虚拟化(NFV)等计算机网络和通信技术的进步为安全专家对抗现代网络攻击开辟了新的战线和挑战。依赖于边界防御和基于签名的网络安全解决方案,如入侵检测和防御系统(IDS/IPS),未能提供足够的安全级别来抵御新的攻击媒介,如高级持续威胁,零日,勒索软件,僵尸网络和其他形式的有针对性的攻击。机器学习和认知计算的最新发展已经显示出检测未知和新的入侵事件的巨大潜力,而传统的基于误用和异常的入侵检测系统通常会失败。在这项研究中,我们在UNSW-NB 15数据集上应用了最先进的机器学习算法,以检测新的攻击。我们还提出了一种新的包装器为基础的特征选择技术TS-RF使用元启发式禁忌搜索(TS)算法和随机森林(RF)集成分类器。在UNSW-NB 15数据集上应用所提出的特征选择技术(即TS-RF)获得的结果表明,该方法在提高整体入侵检测精度的同时,由于去除了60%以上的特征,降低了计算复杂度。
2021-01-19 cs.CR cs.NI
Multi-stage Jamming Attacks Detection using Deep Learning Combined with Kernelized Support Vector Machine in 5G Cloud Radio Access Networks
École de technologie supérieure(高等技术学院)
在5G网络中,云无线电接入网络(C-RAN)被认为是一种有前途的未来架构,它通过提供实时云基础设施、协作无线电和集中式数据处理来最大限度地减少能耗并有效地分配资源。最近,由于其易受恶意攻击,C-RAN网络的安全性引起了人们的极大关注。在各种基于异常的入侵检测技术中,最有前途的是基于机器学习的入侵检测,因为它在没有人工帮助的情况下学习并相应地调整动作。在这个方向上,已经提出了许多解决方案,但是它们在攻击分类方面显示出低准确性,或者它们仅提供单层攻击检测。该研究重点是在5G C-RAN中部署基于多阶段机器学习的入侵检测(ML-IDS),该ML-IDS可以检测和分类四种类型的干扰攻击:恒定干扰、随机干扰、欺骗性干扰和反应性干扰。这种部署通过最小化C-RAN架构中的假阴性来增强安全性。所提出的解决方案的实验评估进行使用WSN-DS(无线传感器网络数据集),这是一个专用的无线数据集入侵检测。攻击的最终分类准确率为94.51%,误报率为7.84%。
2020-04-14 cs.LG cs.NI
Multi-Stage Optimized Machine Learning Framework for Network Intrusion Detection
University of Western Ontario(西安大略大学);University of Sharjah(沙迦大学)
由于个人和组织对互联网的依赖性增加,以及他们对其在线活动的安全和隐私的关注,网络安全受到了极大的关注。已经开发了几种先前的基于机器学习(ML)的网络入侵检测系统(NIDS)来防止恶意在线行为。本文提出了一种新的多级优化ML的NIDS框架,降低了计算复杂性,同时保持其检测性能。研究了过采样技术对模型训练样本量的影响,确定了最小的合适训练样本量。比较了基于信息增益和基于相关性的两种特征选择技术,探讨了它们对检测性能和时间复杂度的影响。此外,不同的ML超参数优化技术进行了研究,以提高NIDS的性能。使用两个最近的入侵检测数据集,CICIDS 2017和UNSW-NB 2015数据集评估了所提出的框架的性能。实验结果表明,该模型显著减少了所需的训练样本量(高达74%)和特征集大小(高达50%)。此外,模型性能通过超参数优化得到增强,两个数据集的检测准确率均超过99%,比最近的文献工作高出1 - 2%的准确率和1 - 2%的误报率。
2020-08-09 cs.CR cs.LG cs.NI
Hyperparameter Tuning-Based Optimized Performance Analysis of Machine Learning Algorithms for Network Intrusion Detection
C.V. Raman Global University(C.V.拉曼全球大学)
本研究通过超参数调优优化了多种机器学习算法,发现SVM在网络入侵检测中表现最佳,准确率高达99.12%。
2025-12-14 cs.CR cs.LG cs.NI
Adversarial Challenges in Network Intrusion Detection Systems: Research Insights and Future Prospects
本文系统综述了基于机器学习的网络入侵检测系统所面临的对抗性攻击威胁,分析现有研究的优势与不足,并提出增强NIDS鲁棒性的未来研究方向。
2024-10-22 cs.CR cs.ET cs.NI
On Generalisability of Machine Learning-based Network Intrusion Detection Systems
University of Queensland(昆士兰大学)
本研究通过评估七种监督与无监督模型在四个基准数据集上的表现,发现基于ML的NIDSs泛化性差且不对称,无监督方法更优,SHAP分析揭示特征与类别对应关系缺失是主因。
2022-05-09 cs.CR cs.LG cs.NI
Adversarial Machine Learning In Network Intrusion Detection Domain: A Systematic Review
Newcastle University(纽卡斯尔大学);Tabuk University(塔布克大学)
由于其在各个领域的巨大成功,深度学习技术越来越多地用于设计网络入侵检测解决方案,这些解决方案以高准确率和最小特征工程来检测和减轻未知和已知攻击。然而,人们发现,深度学习模型容易受到数据实例的影响,这些数据实例可能会误导模型做出不正确的分类决策,即所谓的(对抗性示例)。这种漏洞允许攻击者通过向恶意流量添加小的狡猾扰动来瞄准NIDS,以逃避检测并破坏系统的关键功能。深度对抗学习问题在计算机视觉领域已经得到了广泛的研究;然而,在网络安全应用中,它仍然是一个开放的研究领域。因此,本调查探讨了在网络入侵检测领域采用对抗性机器学习的不同方面的研究,以便为潜在的解决方案提供方向。首先,调查研究根据其对生成对抗性示例的贡献进行分类,评估基于ML的NID对对抗性示例的鲁棒性,并保护这些模型免受此类攻击。其次,我们强调了调查研究中确定的特征。此外,我们讨论了现有的通用对抗攻击的NIDS域的适用性,在现实世界的情况下,推出拟议的攻击的可行性,以及现有的缓解解决方案的局限性。
2021-12-06 cs.CR cs.LG cs.NE
The Cross-evaluation of Machine Learning-based Network Intrusion Detection Systems
University of Liechtenstein(列支敦士登大学);University of Padua(帕多瓦大学);TU Delft(代尔夫特理工大学)
用有监督的机器学习(ML)增强网络入侵检测系统(NIDS)是一项艰巨的任务。ML-NIDS必须经过培训和评估,操作需要明确标记良性和恶意样本的数据。这样的标签需要昂贵的专业知识,导致缺乏真正的部署,以及论文总是依赖于相同的过时数据。最近情况有所改善,因为一些努力披露了他们的标记数据集。然而,大多数过去的作品使用这样的数据集只是作为一个“又一个”测试平台,忽略了这种可用性提供的额外潜力。相比之下,我们提倡使用这种现有的标记数据来交叉评估ML-NIDS。这种方法只得到有限的注意,由于其复杂性,需要专门处理。因此,我们提出了第一个交叉评估模型。我们的模型突出了更广泛的现实用例,可以通过交叉评估进行评估,允许发现最先进的ML-NIDS的未知品质。例如,它们的检测表面可以扩展-而不需要额外的标签费用。然而,进行这种交叉评价具有挑战性。因此,我们提出了第一个框架,XeNIDS,可靠的交叉评估的基础上网络流。通过在六个知名数据集上使用XeNIDS,我们展示了ML-NIDS交叉评估的隐藏潜力和风险。
2022-03-09 cs.CR cs.LG cs.NI
Evaluating the Potential of Quantum Machine Learning in Cybersecurity: A Case-Study on PCA-based Intrusion Detection Systems
Politecnico di Milano(米兰理工大学);Centre for Quantum Technologies(量子技术中心);Inveriant Pte. Ltd.(Inveriant私人有限公司)
本文以基于PCA的网络入侵检测为案例,提出量化容错QML算法现实影响的方法,并分析实现量子优势的条件。
2025-02-16 cs.CR cs.LG cs.NI
Performance Comparison of Intrusion Detection Systems and Application of Machine Learning to Snort System
Teesside University(提赛德大学)
本文研究了两个开源的入侵检测系统(IDS),即Snort和Suricata的性能,以准确地检测恶意流量的计算机网络。Snort和Suricata安装在两台不同但相同的计算机上,并在10 Gbps网络速度下评估性能。有人指出,Suricata可以处理比Snort更高速度的网络流量,丢包率更低,但消耗更高的计算资源。Snort具有更高的检测精度,因此被选择用于进一步的实验。据观察,Snort触发的误报率很高。为了解决这个问题,开发了Snort自适应插件。为了选择Snort自适应插件的最佳学习算法,采用不同的学习算法进行了实证研究,选择了支持向量机(SVM)。SVM和模糊逻辑的混合版本产生了更好的检测精度。但使用萤火虫算法优化的SVM获得了最好的结果,FPR(假阳性率)为8.6%,FNR(假阴性率)为2.2%,这是一个很好的结果。这项工作的新颖性是两个IDS在10 Gbps的性能比较和混合和优化的机器学习算法的应用程序的Snort。
2017-11-07 cs.CR cs.LG cs.NI
Towards Explainable Meta-Learning for DDoS Detection
Nanjing University of Science and Technology(南京理工大学);Queen Mary University of London(伦敦玛丽女王大学)
针对AI入侵检测缺乏准确解释的问题,本文基于人工免疫系统提出严格可解释的DDoS检测方法,并用决策树质蕴含规则实现负选择。
2022-08-16 cs.AI cs.CR cs.NI
On the Cross-Dataset Generalization of Machine Learning for Network Intrusion Detection
Department of Electrical and Information Engineering, University of Cassino and Southern Latium(电气与信息工程系,卡斯ino和南部拉蒂姆大学)
本研究在跨数据集框架下评估机器学习NIDS的泛化能力,发现模型在同数据集表现完美但跨数据集效果接近随机,揭示了数据异常与异构性对泛化的严重阻碍。
2024-02-15 cs.CR cs.LG cs.NI
Feature selection for intrusion detection systems
Canadian University Dubai(迪拜加拿大大学)
在本文中,我们分析了现有的特征选择方法,以确定网络流量数据,允许入侵检测的关键要素。此外,我们提出了一种新的特征选择方法,解决了考虑连续输入特征和离散目标值的挑战。我们表明,该方法对基准选择方法表现良好。我们利用我们的研究结果开发了一个高效的基于机器学习的检测系统,在区分DDoS和良性信号方面达到了99.9%的准确率。我们相信,我们的研究结果可以是有用的专家谁有兴趣在设计和构建自动入侵检测系统。
2021-06-28 cs.CR cs.LG cs.NI
Launching Adversarial Attacks against Network Intrusion Detection Systems for IoT
Edinburgh Napier University(爱丁堡龙比亚大学);University of Hertfordshire(赫特福德大学)
随着互联网上不断出现新设备和新兴技术,攻击面呈指数级增长。技术正在转向利润驱动的物联网市场,安全性是事后的想法。传统的防御方法已不足以高精度地检测已知和未知的攻击。机器学习入侵检测系统已经证明了它们在以高精度识别未知攻击方面的成功。然而,机器学习模型也容易受到攻击。对抗性示例可用于在部署之前评估设计模型的鲁棒性。此外,使用对抗性示例对于创建针对对抗性环境设计的鲁棒模型至关重要。我们的工作使用Bot-IoT数据集评估了传统机器学习和深度学习模型的鲁棒性。我们的方法包括两个主要途径。一是标签中毒,用于造成模型分类错误。二是快速梯度标志法,用于规避检测措施。实验表明,攻击者可以操纵或规避检测具有显着的概率。
2021-04-26 cs.CR cs.LG cs.NI
Intrusion Detection System with Machine Learning and Multiple Datasets
Carmel High School(卡梅尔高中);SimplyFixable;Columbia University(哥伦比亚大学)
本文提出一种结合机器学习、超参数调优和多数据集集成的增强型入侵检测系统,通过 XGBoost 与随机森林及 RandomizedSearchCV 实现 99.9% 的检测准确率,用于应对针对大语言模型的提示工程攻击。
2023-12-04 cs.CR cs.LG cs.NI
Evaluating and Improving Adversarial Robustness of Machine Learning-Based Network Intrusion Detectors
Tsinghua University(清华大学)
机器学习(ML),特别是深度学习(DL)技术在基于异常的网络入侵检测系统(NIDS)中得到了越来越多的应用。然而,ML/DL已经被证明非常容易受到对抗攻击的攻击,特别是在这种安全敏感的系统中。许多对抗攻击已经被提出来评估基于ML的NIDS的鲁棒性。不幸的是,现有的攻击大多集中在特征空间和/或白盒攻击,这使得不切实际的假设,在现实世界的情况下,留下了实际的灰/黑盒攻击的研究在很大程度上未被探索。为了弥补这一差距,我们进行了第一次系统的研究,灰色/黑盒流量空间的对抗攻击,以评估基于ML的NIDS的鲁棒性。我们的工作在以下几个方面优于以前的工作:(i)实用性-所提出的攻击可以自动变异的原始流量与极其有限的知识和负担得起的开销,同时保留其功能;(ii)通用性-所提出的攻击是有效的评估各种NIDS的鲁棒性使用不同的ML/DL模型和非基于有效载荷的功能;(iii)可解释性-我们提出了一种解释方法的脆弱的鲁棒性ML为基础的NIDS。在此基础上,我们还提出了一种防御对抗攻击的方案,以提高系统的鲁棒性。我们广泛评估的鲁棒性的各种NIDS使用不同的功能集和ML/DL模型。实验结果表明,我们的攻击是有效的(例如,对于Kitsune,最先进的NIDS在一半情况下的规避率>97%),具有可承受的执行成本,并且所提出的防御方法可以有效地减轻此类攻击(在大多数情况下规避率降低>50%)。
2021-06-08 cs.CR cs.LG cs.NI
SoK: Pragmatic Assessment of Machine Learning for Network Intrusion Detection
Liechtenstein Business School – University of Liechtenstein(列支敦士登大学列支敦士登商学院)
该研究针对网络入侵检测(NID)领域机器学习研究与实践脱节的问题,提出“务实评估”概念,通过覆盖多配置、多对抗场景、多硬件平台的大规模可复现评估及从业者用户研究,助力衡量ML方法的实际应用价值。
2023-04-30 cs.CR cs.LG cs.NI
CoAP-DoS: An IoT Network Intrusion Dataset
The Citadel(要塞军事学院)
随着物联网设备越来越多地集成到重要网络中,对安全物联网(IoT)设备的需求正在增长。许多系统依靠这些设备保持可用并提供可靠的服务。针对物联网设备的拒绝服务攻击是一个真正的威胁,因为这些低功耗设备非常容易受到拒绝服务攻击。支持机器学习的网络入侵检测系统在识别新威胁方面非常有效,但它们需要大量数据才能正常工作。有许多网络流量数据集,但很少有关注物联网网络流量的数据集。在物联网网络数据集中,缺乏CoAP拒绝服务数据。我们提出了一个新的数据集覆盖这一差距。我们通过收集来自真实CoAP拒绝服务攻击的网络流量开发了一个新的数据集,并比较了多个不同机器学习分类器上的数据。我们表明,数据集是有效的许多分类。
2022-06-29 cs.AI cs.CR cs.NI
Sdn Intrusion Detection Using Machine Learning Method
North South University(北南大学)
本研究提出基于梯度提升的GBDT-IDS模型,在UNSW-NB 15基准上实现99.87%准确率,有效提升SDN入侵检测性能。
2024-11-08 cs.CR cs.LG cs.NI
DI-NIDS: Domain Invariant Network Intrusion Detection System
The University of Queensland(昆士兰大学)
针对网络入侵检测系统在跨域数据上性能下降的问题,提出基于对抗域适应提取域不变特征并结合一类SVM进行异常检测的方法,在多个基准数据集上取得更优跨域性能。
2022-10-15 cs.CR cs.LG cs.NI
Individual Packet Features are a Risk to Model Generalisation in ML-Based Intrusion Detection
Department of Computer Science, Heriot-Watt University(计算机科学系,赫里奥特-沃森大学)
本文研究了单个数据包特征在机器学习入侵检测中的局限性,指出其导致模型泛化能力下降,并强调需考虑数据包交互以提升检测鲁棒性。
2024-06-07 cs.AI cs.CR cs.NI
Online Feature Ranking for Intrusion Detection Systems
Aalto University(阿尔托大学)
目前许多入侵检测系统的设计方法都是以静态的、非自适应的方式进行特征选择。这些方法往往忽略了网络数据的动态特性,而动态特性要求采用自适应特征选择技术。在本文中,我们提出了一种简单的技术,基于增量学习的支持向量机,以排名的功能在网络数据流模型的实时的性。两个流行的基准数据集的一些说明性的数值实验表明,我们的方法可以适应正常的网络行为和新的攻击模式,以前没有经历过的变化。
2018-06-15 cs.CR cs.LG cs.NI
A Compendium on Network and Host based Intrusion Detection Systems
Amrita School of Engineering, Amrita Vishwa Vidyapeetham(阿姆里塔大学阿姆里塔工程学院);Amrita Vishwa Vidyapeetham(阿姆里塔大学)
深度学习技术已经成为用于执行来自计算机视觉、自然语言处理和若干其他领域的各种领域的复杂任务的最先进的方法。由于其在这些领域的快速发展和有前途的基准,研究人员开始试验这种技术在该领域的执行,特别是在入侵检测相关的任务。深度学习是经典机器学习的子集和自然扩展,也是神经网络的进化模型。本文考虑并讨论了与入侵检测系统领域的前沿深度学习和神经网络模型相关的所有方法。
2019-04-06 cs.CR cs.LG cs.NE