Attention-GAN 用于异常检测：网络安全威胁管理的前沿方法
密码学与安全
2024-02-29 v2 人工智能
摘要
本文提出了一种创新的 Attention-GAN 框架以增强网络安全，重点关注异常检测。针对网络威胁不断演变所带来的挑战，该方法旨在生成多样化且逼真的合成攻击场景，从而丰富数据集并改进威胁识别。将注意力机制与生成对抗网络（GANs）集成是该方法的关键特征。注意力机制增强了模型聚焦于相关特征的能力，这对于检测细微且复杂的攻击模式至关重要。此外，GANs 通过生成包含已知和新出现威胁的额外多样化攻击数据，解决了数据稀缺问题。这种双重方法确保了系统在面对持续演变的网络攻击时保持相关性和有效性。我们使用 KDD Cup 和 CICIDS2017 数据集对该模型进行了验证，结果显示其在异常检测方面取得了显著改进。该模型在 KDD 数据集上达到了 99.69% 的准确率，在 CICIDS2017 数据集上达到了 97.93% 的准确率，其精确率、召回率和 F1 分数均超过 97%，证明了其在识别复杂攻击模式方面的有效性。本研究通过提供一种可扩展且适应性强的解决方案，以应对复杂动态的网络威胁中的异常检测，为网络安全做出了重大贡献。对 GANs 用于数据增强的探索凸显了未来研究的一个有前景的方向，特别是在数据限制阻碍网络安全系统发展的情况下。Attention-GAN 框架已成为一种开创性方法，为高级网络防御策略树立了新的基准。
引用
@article{arxiv.2402.15945,
title = {Attention-GAN for Anomaly Detection: A Cutting-Edge Approach to Cybersecurity Threat Management},
author = {Mohammed Abo Sen},
journal= {arXiv preprint arXiv:2402.15945},
year = {2024}
}