DualNet：基于深度注意力网络先定位后检测有效载荷
密码学与安全
2020-10-26 v1 机器学习
摘要
网络入侵检测(NID)是一种基础防御策略，用于在大规模网络空间中发掘可疑用户行为的踪迹，而机器学习(ML)因其自动化与智能化能力，近年来已逐渐作为主流追踪方法被采用。然而，传统的基于ML的网络入侵检测系统(NIDSs)对未知威胁的识别效果不佳，且其高检测率常以高误报为代价，导致告警疲劳问题。为解决上述问题，本文提出一种新颖的基于神经网络的检测系统DualNet，其由通用特征提取阶段与关键特征学习阶段构成。DualNet能依据时空特征的重要性快速复用它们以促进整个学习过程，并同时缓解深度学习(DL)中出现的若干优化问题。我们在两个基准网络攻击数据集NSL-KDD与UNSW-NB15上评估DualNet。实验表明，在准确率、检测率和误报率方面，DualNet优于经典的基于ML的NIDSs，且比现有的DL方法更有效。
引用
@article{arxiv.2010.12171,
title = {DualNet: Locate Then Detect Effective Payload with Deep Attention Network},
author = {Shiyi Yang and Peilun Wu and Hui Guo},
journal= {arXiv preprint arXiv:2010.12171},
year = {2020}
}