面向 AI 驱动入侵检测的网络与主机协同特征图
密码学与安全
2023-08-22 v1
摘要
入侵检测系统（IDS）是关键的安全机制，可防御网络或主机上多种多样的网络威胁和恶意行为。由于基于网络的 IDS（NIDS）和基于主机的 IDS（HIDS）均已得到广泛研究，本文旨在提出一种结合入侵检测系统（CIDS），其整合网络与主机数据以提升 IDS 性能。鉴于同时包含网络包与主机数据的数据集稀缺，我们提出一种新颖的 CIDS 数据集构建框架，可处理来自多种操作系统的日志文件并将日志实体与网络流对齐。利用所提框架，从知名基准数据集 CIC-IDS-2018 的元数据派生出名为 SCVIC-CIDS-2021 的新 CIDS 数据集。此外，提出一种名为 CIDS-Net 的基于 transformer 的深度学习模型，其可将网络流与主机特征作为输入，并优于仅依赖网络流特征的基线模型。在 SCVIC-CIDS-2021 数据集下评估所提 CIDS-Net 的实验结果支持了结合主机与流特征有益的假设，因为所提 CIDS-Net 可将基线方案的宏 F1 分数提升 6.36%（最高达 99.89%）。
引用
@article{arxiv.2208.05085,
title = {Collaborative Feature Maps of Networks and Hosts for AI-driven Intrusion Detection},
author = {Jinxin Liu and Murat Simsek and Burak Kantarci and Mehran Bagheri and Petar Djukic},
journal= {arXiv preprint arXiv:2208.05085},
year = {2023}
}
备注
IEEE Global Communications Conference (Globecom), 2022, 6 pages, 3 figures 4 tables