高效入侵检测：结合 $\chi^2$ 特征选择与CNN-BiLSTM于UNSW-NB15 数据集
网络与互联网体系结构
2024-07-23 v1 密码学与安全
摘要
入侵检测系统（IDS）在传统计算系统中发挥着重要作用，用于检测和防止网络攻击。令人不惊讶的是，这种技术正在被应用于保护Internet of Things（IoT）网络免受网络威胁。然而，可用于IoT设备的有限计算资源为在IoT设备上部署传统基于计算的IDS提出了挑战。针对IoT环境设计的IDS必须表现出高的分类性能，并利用低复杂度模型。开发面向IoT的入侵检测模型近年来取得了显著进展。然而，在实现高分类性能与降低复杂度之间取得平衡仍然是一个具有挑战性的任务。本研究提出一种有效的IDS模型，以解决此问题，方法是结合轻量级卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）。此外，我们采用特征选择技术最小化模型输入的特征数量，从而降低其复杂度。这种方法使提出的模型非常适合资源受限的IoT设备，确保满足其计算能力要求。设计满足IoT设备需求并实现提高精度的模型是一个具有挑战性的任务。然而，我们提出的模型通过实现对二分类达到97.90%的准确率（预测时间为1.1秒）和对多分类达到97.09%的准确率（预测时间为2.10秒）在文献中超越了以往工作。
引用
@article{arxiv.2407.14945,
title = {Efficient Intrusion Detection: Combining $\chi^2$ Feature Selection with CNN-BiLSTM on the UNSW-NB15 Dataset},
author = {Mohammed Jouhari and Hafsa Benaddi and Khalil Ibrahimi},
journal= {arXiv preprint arXiv:2407.14945},
year = {2024}
}
备注
2024 11th International Conference on Wireless Networks and Mobile Communications (WINCOM)