DI-NIDS：域不变网络入侵检测系统
密码学与安全
2023-05-15 v1 机器学习
网络与互联网体系结构
摘要
当基于机器学习的网络入侵检测系统（NIDSs）部署在特征分布与训练数据集显著不同的网络上时，其性能会严重退化。在计算机视觉等多种应用中，域适应技术已成功缓解了训练与测试数据分布之间的差距。然而在网络入侵检测中，最先进的域适应方法收效有限。根据近期研究以及我们自己的结果，当“未见”测试数据集不遵循训练数据集分布时，NIDS 的性能会显著恶化。在某些情况下，交换训练和测试数据集会使情况更为严重。为了增强基于机器学习的网络入侵检测系统的泛化能力，我们提出利用来自多个网络域的对抗域适应提取域不变特征，然后应用无监督技术识别异常即入侵。更具体地，我们在有标签的源域上训练域对抗神经网络，提取域不变特征，并训练单类 SVM（OSVM）模型检测异常。在测试时，我们将无标签测试数据前馈至特征提取网络以将其投影到域不变空间，然后在提取的特征上应用 OSVM 以实现检测入侵的最终目标。我们在 NIDS 基准数据集 NFv2-CIC-2018 和 NFv2-UNSW-NB15 上的大量实验表明，与先前方法相比，我们提出的设置展示了优越的跨域性能。
引用
@article{arxiv.2210.08252,
title = {DI-NIDS: Domain Invariant Network Intrusion Detection System},
author = {Siamak Layeghy and Mahsa Baktashmotlagh and Marius Portmann},
journal= {arXiv preprint arXiv:2210.08252},
year = {2023}
}