一种用于网络入侵检测的新型开集基于能量的流分类器
密码学与安全
2025-06-30 v3 网络与互联网体系结构
摘要
近年来已提出若干基于机器学习的网络入侵检测系统(NIDS)。然而,它们大多是在训练场景与测试场景相似的假设下开发和评估的。鉴于新攻击及已知攻击变体的出现,该假设在真实网络中并不成立。为应对这一现实,开集识别领域(即任意领域中识别训练时未见类别这一最通用任务)开始在基于机器学习的NIDS研究中变得重要。但现有方案常受限于较高的时间复杂度和性能瓶颈。本文提出一种用于NIDS的开集识别算法。我们的方案是对单类基于能量的流分类器(EFC)的改进,该分类器已被证明具有强泛化能力和低计算成本。新版本EFC不仅能正确分类已知攻击,也能分类未知攻击,且与其他文献方案的不同之处在于其采用单层结构且时间复杂度低。我们的方案针对成熟的多类算法以及作为开集分类器进行了评估,在两项评估中均被证明是准确的分类器,与当前最优水平相当。作为工作结论,我们认为EFC因其高性能和在真实网络中的适用性,是一种有前景的NIDS算法。
引用
@article{arxiv.2109.11224,
title = {A Novel Open Set Energy-based Flow Classifier for Network Intrusion Detection},
author = {Manuela M. C. Souza and Camila Pontes and Joao Gondim and Luis P. F. Garcia and Luiz DaSilva and Eduardo F. M. Cavalcante and Marcelo A. Marotta},
journal= {arXiv preprint arXiv:2109.11224},
year = {2025}
}