使用 PCA、t-SNE 和 UMAP 可视化对 5G 网络流量入侵进行关键分析及攻击分类
密码学与安全
2024-01-18 v2 人工智能
摘要
网络、威胁模型和恶意行为者正在快速发展。随着 5G 网络部署的增加，所连接的 5G 物理设备的安全问题也随之增多。因此，需要基于人工智能的自主端到端安全设计，通过检测网络流量异常来应对 incoming 威胁。为满足这一需求，在本研究中，我们使用最近发布的 5G 流量数据集 5G-NIDD，通过机器学习和深度学习方法检测网络流量异常。首先，我们使用三种可视化技术分析数据集：t-分布随机邻域嵌入 (t-SNE)、均匀流形近似与投影 (UMAP) 和主成分分析 (PCA)。其次，我们使用互信息和 PCA 技术降低数据维度。第三，我们通过插入少数类的合成记录来解决类别不平衡问题。最后，我们使用六种不同分类器进行分类，并给出了评估指标。当使用 K-最近邻分类器时，我们获得了最佳结果：准确率 (97.2%)、检测率 (96.7%) 和误报率 (2.2%)。
引用
@article{arxiv.2312.04864,
title = {Critical Analysis of 5G Networks Traffic Intrusion using PCA, t-SNE and UMAP Visualization and Classifying Attacks},
author = {Humera Ghani and Shahram Salekzamankhani and Bal Virdee},
journal= {arXiv preprint arXiv:2312.04864},
year = {2024}
}