零日攻击检测的监督式机器学习模型全面研究：分析不平衡数据的性能
密码学与安全
2025-12-09 v1 人工智能
机器学习
摘要
在各种网络攻击类型中，识别零日攻击具有问题，因为它们对安全系统而言是未知的，其模式和特征不匹配已知的黑名单攻击。有许多机器学习(ML)模型旨在分析和检测网络攻击，特别是使用监督式模型。然而，这些模型是基于训练阶段学习到的模式来对样本(正常和攻击)进行分类的，因此在处理未见的攻击时表现不佳。本研究通过评估五种不同的监督模型来解决这一问题，以评估其在预测零日攻击方面的性能和执行时间，并找出哪种模型在准确性和速度方面表现最佳。目标是通过提出一种框架，该框架应用网格搜索、降维和过采样方法来克服不平衡问题，同时比较过采样对ml模型指标(特别是准确性)的有效性。为模拟现实中的攻击检测，本研究应用高度不平衡的数据集，仅在测试阶段暴露于零日攻击，因此模型未训练用于标记零日攻击。我们的结果表明，随机森林(RF)在既有过采样又无过采样条件下均表现最佳，这种提高效能代价是更长的处理时间。因此，我们选定XGBoost(XGB)作为最佳模型，由于其在检测零日攻击方面的快速且高度准确的性能。
引用
@article{arxiv.2512.07030,
title = {A Comprehensive Study of Supervised Machine Learning Models for Zero-Day Attack Detection: Analyzing Performance on Imbalanced Data},
author = {Zahra Lotfi and Mostafa Lotfi},
journal= {arXiv preprint arXiv:2512.07030},
year = {2025}
}
备注
13 pages, 5 figures