基于行为分析的自适应欺骗框架：提升网络安全防御
密码学与安全
2025-10-06 v1 机器学习
摘要
本文提出 CADL（Cognitive-Adaptive Deception Layer），一种自适应欺骗框架，在 CICIDS2017 数据集上实现 99.88% 检测率，仅 0.13% 误报率。该框架采用集成机器学习（随机森林、XGBoost、神经网络）结合行为轮廓，以识别并适应网络入侵的响应。通过协调信号总线架构，安全组件共享实时情报，实现集体决策。系统依据攻击者的时间模式进行轮廓，并在五个升级层级上部署定制化欺骗策略。针对 50,000 条 CICIDS2017 测试样本的评估显示，CADL 显著优于传统入侵检测系统（Snort: 71.2%，Suricata: 68.5%），同时保持生产环境所需的低误报率。该框架的行为分析在攻击者轮廓分类中实现 89% 的准确率。我们提供开源实现及透明的性能指标，为成本高昂（每主机年 150-400 美元）的商业欺骗平台提供了可及的替代方案。
关键词
引用
@article{arxiv.2510.02424,
title = {Adaptive Deception Framework with Behavioral Analysis for Enhanced Cybersecurity Defense},
author = {Basil Abdullah AL-Zahrani},
journal= {arXiv preprint arXiv:2510.02424},
year = {2025}
}
备注
5 pages, 5 tables, 1 figure