探索特征重要性与可解释性以增强 AI 系统中基于 ML 的 DoS 检测
密码学与安全
2024-11-07 v1 人工智能
机器学习
摘要
拒绝服务 (DoS) 攻击在 AI 系统安全领域构成重大威胁，造成巨大的经济损失与停机时间。然而，AI 系统的高计算需求、动态行为以及数据多变性使得监控和检测 DoS 攻击极具挑战性。如今，基于统计和机器学习 (ML) 的 DoS 分类与检测方法利用广泛的特征选择机制，从网络流量数据集中选取特征子集。特征选择对于提升模型整体性能和攻击检测准确率以及减少训练时间至关重要。本文研究了特征选择在改进基于 ML 的 DoS 攻击检测中的重要性。具体而言，我们利用统计分析和特征工程方法，探索了特征对 DoS 流量数据集中整体组成部分的贡献。我们的实验结果证明，对 DoS 流量进行详尽的统计分析和特征工程，有助于理解攻击行为并为基于 ML 的 DoS 分类与检测确定最佳的特征选择方案。
引用
@article{arxiv.2411.03355,
title = {Exploring Feature Importance and Explainability Towards Enhanced ML-Based DoS Detection in AI Systems},
author = {Paul Badu Yakubu and Evans Owusu and Lesther Santana and Mohamed Rahouti and Abdellah Chehri and Kaiqi Xiong},
journal= {arXiv preprint arXiv:2411.03355},
year = {2024}
}
备注
6 pages, 2 figures, IEEE VTC2024-Fall