基于攻击共享损失深度神经网络的网络入侵检测
密码学与安全
2021-03-18 v1 人工智能
机器学习
摘要
网络攻击对计算机系统安全构成重大威胁，并使数字资产面临极高风险。这迫切呼唤一种能够有效高精度识别入侵攻击的入侵检测系统。由于攻击种类繁多，对入侵事件进行分类颇具挑战。此外，在正常网络环境中，多数连接由良性行为发起。入侵检测中的类不平衡问题迫使分类器偏向多数/良性类，从而遗漏许多攻击事件。受深度神经网络在计算机视觉与自然语言处理中成功的鼓舞，本文设计了一种名为 DeepIDEA 的新系统，充分利用深度学习实现入侵检测与分类。为在不平衡数据上实现高检测精度，我们设计了一种新颖的攻击共享损失函数，能有效将决策边界移向攻击类并消除对多数/良性类的偏置。借助该损失函数，DeepIDEA 遵循如下事实：入侵误分类应比攻击误分类受到更高惩罚。在三个基准数据集上的大量实验结果表明了 DeepIDEA 的高检测精度。具体而言，与八种当前最优方法相比，DeepIDEA 始终提供最佳的类平衡精度。
引用
@article{arxiv.2103.09713,
title = {Cyber Intrusion Detection by Using Deep Neural Networks with Attack-sharing Loss},
author = {Boxiang Dong and Hui and Wang and Aparna S. Varde and Dawei Li and Bharath K. Samanthula and Weifeng Sun and Liang Zhao},
journal= {arXiv preprint arXiv:2103.09713},
year = {2021}
}