基于轻量级S2CGAN-IDS的高度不平衡物联网网络有效入侵检测
密码学与安全
2023-06-07 v1 人工智能
摘要
自物联网（IoT）问世以来，海量信息交换增加了网络中的安全威胁数量。因此，基于深度学习（DL）的入侵检测被发展以实现高吞吐量与高精度。不同于一般的基于深度学习的场景，物联网网络中良性流量远多于异常流量，且存在一些罕见攻击。然而，大多数现有研究为提升类不平衡物联网网络中少数类的检测率，侧重于牺牲多数类的检测率。尽管这种方式能降低少数类的假负率，但它既浪费资源又降低了入侵检测系统的可信度。为解决此问题，我们提出名为S2CGAN-IDS的轻量级框架。所提框架利用网络流量的分布特征，在数据空间与特征空间同时扩充少数类数量，从而在保证多数类检测精度的同时大幅提升少数类检测率。为降低稀疏性对实验的影响，采用CICIDS2017数值数据集来证明所提方法的有效性。实验结果表明，我们提出的方法在精确率与召回率上均优于优越方法，尤其F1-score提升了10.2%。
引用
@article{arxiv.2306.03707,
title = {Effective Intrusion Detection in Highly Imbalanced IoT Networks with Lightweight S2CGAN-IDS},
author = {Caihong Wang and Du Xu and Zonghang Li and Dusit Niyato},
journal= {arXiv preprint arXiv:2306.03707},
year = {2023}
}