以数据为中心的方法弥合网络入侵检测系统与现实应用之间的差距
密码学与安全
2022-01-11 v2 人工智能
机器学习
摘要
大多数将机器学习(ML)用于网络入侵检测系统(NIDS)的研究都使用成熟的数据集，如 KDD-CUP99、NSL-KDD、UNSW-NB15 和 CICIDS-2017。在此背景下，人们探索机器学习技术的潜力，旨在相比已发表基线（以模型为中心的方法）提升指标。然而，这些数据集存在老化等局限，使得此类基于 ML 的方案难以迁移到现实应用中。本文提出一种系统的以数据为中心的方法，以解决当前 NIDS 研究（尤其是数据集）的局限。该方法生成由最新网络流量与攻击构成的 NIDS 数据集，并将标注过程在设计上集成其中。
引用
@article{arxiv.2110.13655,
title = {Bridging the gap to real-world for network intrusion detection systems with data-centric approach},
author = {Gustavo de Carvalho Bertoli and Lourenço Alves Pereira Junior and Filipe Alves Neto Verri and Aldri Luiz dos Santos and Osamu Saotome},
journal= {arXiv preprint arXiv:2110.13655},
year = {2022}
}
备注
Camera-ready version from Data-centric AI workshop at NeurIPS 2021, see https://datacentricai.org/papers/104_CameraReady_dcaicamera-ready.pdf