一种基于低成本机器学习且保护数据隐私的网络入侵检测系统
密码学与安全
2021-07-07 v1
摘要
网络入侵是网络安全中一个被充分研究的领域。当前基于机器学习的网络入侵检测系统（NIDSs）监控网络数据及其中的模式，但代价是带来显著的隐私侵犯问题，可能威胁终端用户隐私。因此，为降低风险并在安全与隐私间保持平衡，必须就入侵数据保护用户隐私。此外，成本是基机器学习NIDS的驱动因素，因为此类系统正日益部署于资源受限的边缘设备上。为解决这些问题，本文我们提出一种称为PCC-LSM-NIDS的NIDS，其由基于皮尔逊相关系数（PCC）的特征选择算法和基于最小二乘法（LSM）的隐私保护算法组成，以在提供敏感数据隐私保护的同时实现低成本入侵检测。所提出的PCC-LSM-NIDS在基准入侵数据库UNSW-NB15上使用五种流行分类器进行测试。实验结果表明，所提出的PCC-LSM-NIDS在计算时间更少方面具有优势，同时提供了适当的隐私保护程度。
引用
@article{arxiv.2107.02362,
title = {A Low-Cost Machine Learning Based Network Intrusion Detection System with Data Privacy Preservation},
author = {Jyoti Fakirah and Lauhim Mahfuz Zishan and Roshni Mooruth and Michael N. Johnstone and Wencheng Yang},
journal= {arXiv preprint arXiv:2107.02362},
year = {2021}
}
备注
14 pages