ByteStack-ID：利用载荷字节频率生成灰度图像进行网络入侵检测的集成堆叠模型
密码学与安全
2024-02-16 v3 人工智能
机器学习
摘要
在不断演进的网络安全领域，快速准确地识别网络流量中多样的攻击类别至关重要。本文提出“ByteStack-ID”，一种专为包级入侵检测设计的开创性方法。其核心在于利用由载荷数据频率分布生成的灰度图像，这一突破性技术极大增强了模型辨识复杂数据模式的能力。值得注意的是，我们的方法完全基于包级信息，有别于传统网络入侵检测系统（NIDS）主要依赖流级数据。在沿用堆叠方法基本思想的同时，ByteStack-ID 不同于传统堆叠方式：它将额外的元学习器层无缝集成到拼接后的基学习器中，构建出高度优化的统一模型。实证结果明确证实了 ByteStack-ID 框架的卓越有效性，在精确率、召回率与 F1-score 等关键性能指标上持续优于基线模型与最先进方法。令人印象深刻的是，我们所提方法在多分类任务中取得了 81% 的宏 F1-score。在网络威胁持续演变的格局下，ByteStack-ID 仅依靠从网络流量数据中提取的包级信息，成为一种稳健且通用的安全解决方案。
引用
@article{arxiv.2310.09298,
title = {ByteStack-ID: Integrated Stacked Model Leveraging Payload Byte Frequency for Grayscale Image-based Network Intrusion Detection},
author = {Irfan Khan and Yasir Ali Farrukh and Syed Wali},
journal= {arXiv preprint arXiv:2310.09298},
year = {2024}
}
备注
6 pages, 6 figures