基于网络的入侵检测系统中机器学习算法的评估
密码学与安全
2022-03-11 v1
摘要
网络安全已成为各组织关注的重点之一。随着互联网使用的持续增长，网络攻击的数量不断增加。入侵检测系统（IDS）是一种有助于检测网络攻击的警报系统。随着新型网络攻击不断出现，研究人员致力于开发基于机器学习（ML）的 IDS 以检测零日攻击。在评估 IDS 检测零日攻击的性能时，研究人员通常从训练数据集中移除部分或所有攻击样本，仅将其包含在测试数据集中。尽管这种方法可能展示 IDS 检测未知攻击的能力，但它并未反映 IDS 的长期性能，因为其仅显示了攻击类型的变化。在本文中，我们专注于评估基于 ML 的 IDS 的长期性能。为实现这一目标，我们提出使用创建时间晚于训练数据集的数据集来评估基于 ML 的 IDS。所提出的方法能更好地评估基于 ML 的 IDS 的长期性能，因为测试数据集反映了攻击类型的变化以及网络基础设施随时间的改变。我们实现了六种最常用于 IDS 的 ML 模型，包括决策树（DT）、随机森林（RF）、支持向量机（SVM）、朴素贝叶斯（NB）、人工神经网络（ANN）和深度神经网络（DNN）。我们使用 CIC-IDS2017 和 CSE-CIC-IDS2018 数据集进行的实验表明，SVM 和 ANN 对过拟合最具抵抗力。此外，我们的实验结果还显示，尽管 DT 和 RF 在训练数据集上表现良好，但它们受过拟合影响最严重。另一方面，我们使用 LUFlow 数据集进行的实验表明，当训练与测试数据集差异较小时，所有模型均能表现良好。
引用
@article{arxiv.2203.05232,
title = {Evaluation of Machine Learning Algorithms in Network-Based Intrusion Detection System},
author = {Tuan-Hong Chua and Iftekhar Salam},
journal= {arXiv preprint arXiv:2203.05232},
year = {2022}
}