一种结合时序序列学习与数据描述的异常检测网络入侵检测系统
网络与互联网体系结构
2019-06-13 v1 机器学习
摘要
通过对网络中正常行为的持续观察与建模，基于异常的网络入侵检测系统（A-NIDS）提供了一种通过偏离正常模型来发现潜在威胁的方法。基于时间序列模型的网络流量分析具有利用网络流量中数据包间关系及观察一段时间内行为趋势的优势。它将生成具有良好特征的新的序列，以支持网络流量中的异常检测，并提供检测新型攻击的能力。此外，一种专注于正常数据并旨在构建其描述的异常检测技术，将成为不平衡数据中异常检测的有效技术。本文提出了一种结合长短期记忆（LSTM）架构处理时间序列与支持向量数据描述（SVDD）进行A-NIDS异常检测的组合模型，以获取两者的优势。该模型通过联合优化方法，使LSTM和SVDD中的参数得以联合训练。我们在KDD99数据集上的实验结果表明，所提出的组合模型在入侵检测中获得了高性能，尤其对拒绝服务（DoS）和探测（Probe）攻击的检测率分别达到98.0%和99.8%。
引用
@article{arxiv.1906.05277,
title = {A Combination of Temporal Sequence Learning and Data Description for Anomaly-based NIDS},
author = {Nguyen Thanh Van and Tran Ngoc Thinh and Le Thanh Sach},
journal= {arXiv preprint arXiv:1906.05277},
year = {2019}
}
备注
12 pages, 2 figures, 4 tables, International Journal of Network Security & Its Applications (IJNSA)