网络入侵检测系统中单一 ML 模型与集成策略的全面比较研究
密码学与安全
2024-10-22 v1 人工智能
机器学习
摘要
网络系统中入侵频率的不断上升，催生了新的研究方向，以构筑人工智能（AI）技术用于入侵检测系统（IDS）。已有多种AI技术用于自动化网络入侵检测任务，然而每种模型都具有各自的优势与弱点。为给定数据集选择最佳模型可能提出挑战，亟需探索集成方法以提高网络入侵检测中的泛化与适用性。本文通过对网络IDS中多样化单一模型和简单集成方法以及高级集成方法进行全面评估来填补这一空白。我们引入了一个针对网络入侵检测任务评估单一模型和集成方法的集成学习框架。该框架包括输入数据集的加载、单一模型和集成方法的训练，以及评估指标的生成。此外，我们将所有特征跨越单一模型和集成技术。本研究呈现了我们的框架结果，包括14种方法，其中包括各种装袋、堆叠、混合和提升技术，适用于诸如决策树、神经网络等多种基本学习器。我们使用两个不同的网络入侵数据集进行评估评估框架，分别是 RoEduNet-SIMARGL2021 和 CICIDS-2017，二者具有独特特征。此外，我们依据我们的评估指标以及通过我们的混淆矩阵对AI模型进行分类。我们的评估表明，在本研究中探索的大多数设置中，学习具有有效性。此外，我们通过公开发布源代码，为网络入侵检测社区贡献了一套基础集成学习框架。
引用
@article{arxiv.2410.15597,
title = {A Comprehensive Comparative Study of Individual ML Models and Ensemble Strategies for Network Intrusion Detection Systems},
author = {Ismail Bibers and Osvaldo Arreche and Mustafa Abdallah},
journal= {arXiv preprint arXiv:2410.15597},
year = {2024}
}