面向物联网网络中基于机器学习的入侵检测的特征提取
网络与互联网体系结构
2023-05-12 v3 密码学与安全
机器学习
摘要
物联网网络中大量的网络安全漏洞已表明当前网络入侵检测系统（NIDSs）的不可靠性。因此，发生了网络中断和敏感数据丢失，这导致了改进 NIDS 技术的活跃研究领域。在对相关工作的分析中，观察到大多数研究者旨在 NIDS 数据集上通过使用特征约简（FR）与机器学习（ML）技术的未尝试组合集来获得更好的分类结果。然而，这些数据集在特征集、攻击类型和网络设计上各不相同。因此，本文旨在发现这些技术是否能跨各种数据集泛化。使用了六种 ML 模型：深度前馈（DFF）、卷积神经网络（CNN）、循环神经网络（RNN）、决策树（DT）、逻辑回归（LR）和朴素贝叶斯（NB）。使用三个基准数据集：UNSW-NB15、ToN-IoT 和 CSE-CIC-IDS2018，评估了三种特征提取（FE）算法——主成分分析（PCA）、自编码器（AE）和线性判别分析（LDA）——的准确率。尽管 PCA 和 AE 算法已被广泛使用，但其最优提取维数的确定却被忽视。结果表明，没有任何明确的 FE 方法或 ML 模型能在所有数据集上取得最佳分数。已为每个数据集确定了最优提取维数，且 LDA 在两个数据集上降低了 ML 模型的性能。使用方差来分析 LDA 和 PCA 的提取维数。最后，本文得出结论：数据集的选择显著改变了所应用技术性能。我们认为需要一个通用的（基准）特征集以促进该领域研究的进一步推进与进展。
引用
@article{arxiv.2108.12722,
title = {Feature Extraction for Machine Learning-based Intrusion Detection in IoT Networks},
author = {Mohanad Sarhan and Siamak Layeghy and Nour Moustafa and Marcus Gallagher and Marius Portmann},
journal= {arXiv preprint arXiv:2108.12722},
year = {2023}
}