用于网络入侵检测的特征选择
机器学习
2024-11-19 v1 密码学与安全
摘要
网络入侵检测（NID）仍然是信息安全社区内的一个关键研究领域，同时也与机器学习（ML）从业者相关。后者通常旨在利用网络特征检测攻击，这些特征通常通过降维方法（如主成分分析（PCA））从原始网络数据中提取。然而，PCA 无法评估特征对当前任务的相关性。因此，可用特征的质量参差不齐，有些完全无信息量。由此产生两个主要缺点。首先，训练和部署的模型必须处理大量不必要的数据，从而消耗潜在昂贵的资源。其次，不相关特征的存在所引起的噪声在某些情况下会阻碍模型检测攻击的能力。为了应对这些挑战，我们提出了用于网络入侵检测的特征选择（FSNID），这是一种新颖的信息论方法，有助于在检测网络入侵时排除无信息量的特征。所提出的方法基于使用神经网络的函数近似，这使得我们能够提供一个包含循环层的版本。因此，该版本独特地实现了时间依赖性的整合。通过大量实验，我们证明所提出的方法选择了显著缩减的特征集，同时保持了 NID 性能。代码将在发表后提供。
引用
@article{arxiv.2411.11603,
title = {Feature Selection for Network Intrusion Detection},
author = {Charles Westphal and Stephen Hailes and Mirco Musolesi},
journal= {arXiv preprint arXiv:2411.11603},
year = {2024}
}