基于神经网络的网络入侵管理方法的实验性综述
网络与互联网体系结构
2020-09-22 v1 机器学习
摘要
由于大量复杂攻击常能绕过经典入侵检测系统（IDS），机器学习（ML）技术在IDS中的应用已在网络安全管理的领域中占据重要地位。这些技术通常旨在基于特定签名识别攻击，或检测异常事件。然而，确定性的基于规则的方法往往难以将特定（较罕见）网络状况（如特定网络情形下的流量峰值）与真实网络攻击区分开来。本文提供一份应用于入侵检测问题的基于神经网络的实验性综述。具体而言，我们 i) 给出与入侵检测最相关的基于神经网络的突出技术全貌，包括深度方法与无权神经网络，其展现出令人惊讶的结果；ii) 通过从零设计的基于Python的例程评估新颖数据集（相较于过时的KDD99集合已更新）；iii) 开展包含时间复杂度与性能（准确率与F值）的实验分析，考虑单类与多类问题，并识别资源消耗与性能之间的权衡。我们的评估量化了神经网络的价值，尤其在使用最先进数据集训练模型时。这为寻求将基于神经网络的ML整合进IDS的安全管理者与计算机网络从业者提供了有趣的指导。
引用
@article{arxiv.2009.09011,
title = {Experimental Review of Neural-based approaches for Network Intrusion Management},
author = {Mario Di Mauro and Giovanni Galatro and Antonio Liotta},
journal= {arXiv preprint arXiv:2009.09011},
year = {2020}
}
备注
Early Access on IEEE Transactions on Network and Service Management