基于深度信念网络的入侵检测系统
密码学与安全
2022-10-27 v1 机器学习
摘要
连接设备的快速增长导致了被称为零日攻击的新型网络安全威胁的扩散。传统的基于行为的 IDS 依赖 DNN 来检测这些攻击。用于训练 DNN 的数据集质量在检测性能中起着关键作用，样本代表性不足会导致性能不佳。在本文中，我们开发并评估了 DBN 在连接设备网络中检测网络攻击的性能。使用 CICIDS2017 数据集来训练和评估我们提出的 DBN 方法的性能。应用并评估了几种类平衡技术。最后，我们将我们的方法与传统的 MLP 模型和现有的 state-of-the-art 进行比较。我们提出的 DBN 方法显示出具有竞争力且前景良好的结果，在训练数据集中代表性不足的攻击检测上取得了显著性能提升。
引用
@article{arxiv.2207.02117,
title = {An Intrusion Detection System based on Deep Belief Networks},
author = {Othmane Belarbi and Aftab Khan and Pietro Carnelli and Theodoros Spyridopoulos},
journal= {arXiv preprint arXiv:2207.02117},
year = {2022}
}
备注
15 pages, 4 figures, 4 tables. To be presented at the 4th International Conference on Science of Cyber Security (SciSec) in August 2022