使用MLP和XAI的零日攻击检测分析
机器学习
2025-04-30 v1 密码学与安全
摘要
任何利用零日漏洞的利用程序称为零日攻击。先前的研究和社交媒体趋势显示，对零日攻击检测的研究需求巨大。本文分析了基于机器学习（ML）和深度学习（DL）的方法来创建入侵检测系统（IDS），并通过使用基于测试集随机采样数据训练解释器，利用可解释AI（XAI）对其进行审查。重点在于使用KDD99数据集，该数据集在所有用于检测零日攻击的数据集中研究最多。本文旨在合成数据集以减少多类分类的类别数，测试ML和DL方法在模式识别上的表现，建立模型的鲁棒性和可靠性，并建立模型的可解释性和可扩展性。我们评估了在KDD99数据集上训练的四个多层感知器（MLP）的性能，包括基线ML模型、加权ML模型、截断ML模型和加权截断ML模型。我们的结果表明，截断ML模型达到了最高的准确率（99.62%）、精确率和召回率，而加权截断ML模型准确率较低（97.26%），但在所有类别中具有更好的类别表示（更少的偏差），且未加权召回率得分提高。我们还使用Shapley加法解释（SHAP）为我们的截断模型训练解释器，以检查两个加权和未加权模型中的特征重要性。
引用
@article{arxiv.2501.16638,
title = {Analysis of Zero Day Attack Detection Using MLP and XAI},
author = {Ashim Dahal and Prabin Bajgai and Nick Rahimi},
journal= {arXiv preprint arXiv:2501.16638},
year = {2025}
}