一种用于网络入侵检测的迁移学习方法
机器学习
2019-12-20 v4 密码学与安全
网络与互联网体系结构
摘要
卷积神经网络（ConvNet）具有很高的泛化输入数据的潜力。它已被广泛应用于许多领域，例如视觉图像，在这些领域中综合学习数据集可用，ConvNet 模型可以得到良好训练并有效执行所需功能。ConvNet 也可应用于网络入侵检测。然而，当前可用的与网络入侵相关的数据集往往不足，这使得 ConvNet 学习不充分，因此训练好的模型不擅长检测未知入侵。在本文中，我们提出了一种使用迁移学习用于网络入侵检测的 ConvNet 模型。该模型由两个串联的 ConvNet 组成，并建立在两阶段学习过程之上：学习基础数据集并将学到的知识迁移到目标数据集的学习中。我们在 NSL-KDD 数据集上的实验表明，所提出的模型不仅能提高在主要包含已知攻击的测试数据集（KDDTest+）上的检测准确率，也能提高以许多新颖攻击为特征的测试数据集（KDDTest-21）上的检测准确率——与传统 ConvNet 模型相比，在 KDDTest+ 上可实现约 2.68% 的提升，在 KDDTest-21 上可实现 22.02% 的提升。
引用
@article{arxiv.1909.02352,
title = {A Transfer Learning Approach for Network Intrusion Detection},
author = {Peilun Wu and Hui Guo and Richard Buckland},
journal= {arXiv preprint arXiv:1909.02352},
year = {2019}
}