基于深度Q学习的网络入侵检测强化学习方法
密码学与安全
2021-11-30 v1 人工智能
摘要
新一代网络威胁的兴起需要更精密、智能的网络防御方案，其配备能够在无人类专家知识情况下自主学习决策的自主智能体。近年来已提出若干用于自动化网络入侵任务的强化学习方法（如Markov方法）。本文引入新一代网络入侵检测方法，将基于Q学习的强化学习与深度前馈神经网络方法相结合用于网络入侵检测。我们提出的深度Q学习（DQL）模型为网络环境提供持续自动学习能力，可利用自动化试错方法检测不同类型网络入侵并不断增强其检测能力。我们给出了DQL模型中不同超参数微调的细节以实现更有效的自主学习。基于NSL-KDD数据集的广泛实验结果表明，在250轮训练下设为0.001的较低折扣因子取得了最佳性能。实验结果还显示，我们所提DQL在检测不同入侵类别上高度有效，并优于其他类似机器学习方法。
引用
@article{arxiv.2111.13978,
title = {Deep Q-Learning based Reinforcement Learning Approach for Network Intrusion Detection},
author = {Hooman Alavizadeh and Julian Jang-Jaccard and Hootan Alavizadeh},
journal= {arXiv preprint arXiv:2111.13978},
year = {2021}
}