一种基于深度学习方法的多攻击分类模型以提升入侵检测性能
网络与互联网体系结构
2023-10-26 v1 机器学习
摘要
本 proposed 模型引入了新颖的深度学习方法论。其目标是创建一种可靠的入侵检测机制以帮助识别恶意攻击。所开发的基于深度学习的解决方案框架由三种方法组成。第一种方法是具有七种优化函数的长短期记忆循环神经网络(LSTM-RNN),如 adamax、SGD、adagrad、adam、RMSprop、nadam 和 adadelta。该模型在 NSL-KDD 数据集上评估并进行了多攻击分类。该模型在 adamax 优化器下在准确率、检测率和低误报率方面表现最优。将带 adamax 优化器的 LSTM-RNN 的结果与现有浅层和深度学习模型在准确率、检测率和低误报率方面进行比较。多模型方法论由循环神经网络(RNN)、长短期记忆循环神经网络(LSTM-RNN)和深度神经网络(DNN)组成。这些多模型在 KDD99、NSL-KDD 和 UNSWNB15 等基准数据集上评估。模型自学习特征并将攻击类别分类为多攻击分类。RNN 和 LSTM-RNN 模型在 KDD99 和 NSL-KDD 数据集上相比其他现有方法提供了可观的性能。
引用
@article{arxiv.2310.16380,
title = {A model for multi-attack classification to improve intrusion detection performance using deep learning approaches},
author = {Arun Kumar Silivery and Ram Mohan Rao Kovvur},
journal= {arXiv preprint arXiv:2310.16380},
year = {2023}
}