CyberLearning：机器学习安全建模检测网络异常与多重攻击的有效性分析
密码学与安全
2021-04-19 v1 机器学习
摘要
近年来，在网络安全领域中，检测网络异常与攻击日益受到关注。人工智能尤其是机器学习技术可用于应对这些问题。然而，基于学习的安全模型的有效性可能因安全特征与数据特性而异。本文提出“CyberLearning”，一种基于机器学习且带有关联特征选择的网络安全建模方法，并对各类基于机器学习的安全模型的有效性进行了全面的实证分析。在我们的 CyberLearning 建模中，我们考虑了用于检测异常的二分类模型，以及用于各类网络攻击的多分类模型。为构建安全模型，我们首先采用十种流行的机器学习分类技术，如朴素贝叶斯、逻辑回归、随机梯度下降、K近邻、支持向量机、决策树、随机森林、自适应提升、极端梯度提升以及线性判别分析。随后我们提出了基于人工神经网络、考虑多个隐藏层的安全模型。利用两个最流行的安全数据集 UNSW-NB15 与 NSL-KDD，通过一系列实验检验了这些基于学习的安全模型的有效性。总体而言，本文旨在通过我们在网络安全背景下的实验分析与发现，为数据驱动的安全建模提供一个参考点。
引用
@article{arxiv.2104.08080,
title = {CyberLearning: Effectiveness Analysis of Machine Learning Security Modeling to Detect Cyber-Anomalies and Multi-Attacks},
author = {Iqbal H. Sarker},
journal= {arXiv preprint arXiv:2104.08080},
year = {2021}
}