基于自编码器的无监督入侵检测：使用多尺度卷积循环网络
密码学与安全
2022-04-11 v1
摘要
网络流量数据的大规模增长导致了海量数据集。为识别入侵攻击而标记这些数据集非常费力且容易出错。此外，网络流量数据具有复杂的时变非线性关系。现有的最先进入侵检测解决方案使用各种监督方法以及基于流量数据相关性的融合特征子集的组合。这些解决方案通常需要高计算成本、手动支持以微调入侵检测模型以及数据标记，这限制了网络流量的实时处理。无监督解决方案确实降低了计算复杂度和对数据标记的手动支持，但当前的无监督解决方案未考虑流量数据中的时空相关性。为解决此问题，我们提出了一种基于多尺度卷积神经网络与长短期记忆网络相结合的统一自编码器（MSCNN-LSTM-AE），用于网络流量中的异常检测。该模型首先使用多尺度卷积神经网络自编码器（MSCNN-AE）分析数据集的空间特征，然后利用从 MSCNN-AE 学习到的潜在空间特征，通过基于长短期记忆（LSTM）的自编码器网络处理时间特征。我们的模型进一步采用两个孤立森林算法作为纠错机制，以检测假阳性和假阴性，从而提高检测精度。我们在 NSL-KDD、UNSW-NB15 和 CICDDoS2019 数据集上评估了我们的模型，结果表明我们提出的方法显著优于传统的无监督方法以及这些数据集上的其他现有研究。
引用
@article{arxiv.2204.03779,
title = {Autoencoder-based Unsupervised Intrusion Detection using Multi-Scale Convolutional Recurrent Networks},
author = {Amardeep Singh and Julian Jang-Jaccard},
journal= {arXiv preprint arXiv:2204.03779},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2111.00626