基于时间卷积网络的网络入侵检测方法
密码学与安全
2025-02-11 v1 机器学习
摘要
网络入侵检测对于保护现代网络至关重要，然而网络流量的复杂性给传统方法带来了重大挑战。本研究提出了一种时间卷积网络（TCN）模型，该模型采用具有扩张卷积的残差块架构来捕获网络流量数据中的依赖关系，同时确保训练稳定性。TCN并行处理序列的能力使其能够比循环神经网络更快、更准确地进行序列建模。在Edge-IIoTset数据集上评估，该数据集包含15个类别（正常流量和14种网络攻击类型），所提模型达到了96.72%的准确率和0.0688的损失，优于1D CNN、CNN-LSTM、CNN-GRU、CNN-BiLSTM和CNN-GRU-LSTM模型。一份包含召回率、精确率、准确率和F1分数等指标的逐类分类报告表明，TCN模型在各种攻击类别（包括恶意软件、注入和DDoS）上均表现出优越性能。这些结果凸显了该模型有效应对网络入侵检测复杂性的潜力。
引用
@article{arxiv.2412.17452,
title = {A Temporal Convolutional Network-based Approach for Network Intrusion Detection},
author = {Rukmini Nazre and Rujuta Budke and Omkar Oak and Suraj Sawant and Amit Joshi},
journal= {arXiv preprint arXiv:2412.17452},
year = {2025}
}
备注
Paper presented at IEEE 2nd International Conference on Integrated Intelligence and Communication Systems (ICIICS) 2024