针对行为属性重叠现象中的网络攻击分析与检测
密码学与安全
2023-10-18 v1 机器学习
网络与互联网体系结构
摘要
网络攻击的泛滥构成了重大威胁。研究者提出网络攻击数据集以支撑相关领域研究。随后，许多基于这些数据集的攻击检测方法被提出。这些检测方法无论是二分类还是多分类，都属于单标签学习，即每个样本仅给定一个标签。然而，我们发现攻击间存在值得注意的行为属性重叠现象，该现象在数据集中的表现为存在特征相同但标签不同的多个样本。本文在知名数据集（UNSW-NB15、CCCS-CIC-AndMal-2020）中验证了该现象并重新标注了这些数据。此外，以多标签方式检测网络攻击可获取更多信息，为攻击溯源与构建 IDS 提供支持。因此，我们提出一种基于深度学习的多标签检测模型 MLD-Model，其中带梯度惩罚的 Wasserstein 生成对抗网络（WGAN-GP）通过改进损失执行数据增强以缓解类不平衡问题，自动编码器（AE）执行分类器参数预训练。实验结果表明 MLD-Model 能取得优异的分类性能。其在 UNSW-NB15 上可达 F1=80.06%，在 CCCS-CIC-AndMal-2020 上可达 F1=83.63%。尤其，与相关单标签方法相比，MLD-Model 的 F1 高出 5.99%–7.97%。
引用
@article{arxiv.2310.10660,
title = {Analysis and Detection against Network Attacks in the Overlapping Phenomenon of Behavior Attribute},
author = {Jiang Xie and Shuhao Li and Yongzheng Zhanga and Peishuai Sun and Hongbo Xu},
journal= {arXiv preprint arXiv:2310.10660},
year = {2023}
}
备注
6 pages, 26 figures