入侵检测系统的层次化分类：有效设计与实证分析

随着物联网等网络技术在许多实际应用中的广泛使用，新型网络攻击不断涌现。为了保护关键基础设施免受这些新出现的威胁，部署一个能够准确检测不同类型攻击同时尽量减少误报的入侵检测系统(IDS)至关重要。机器学习方法已广泛应用于IDS中，主要采用扁平多类分类来区分正常流量和不同类型的攻击。尽管网络攻击类型表现出层次结构，即相似的细粒度攻击子类型可以归为更高层次的攻击类型，但层次化分类方法尚未得到充分探索。在本文中，我们研究了IDS中层次化分类方法的有效性。我们使用三级层次分类模型对各种网络攻击进行分类，其中第一级分类为良性或攻击，第二级分类为粗粒度的高级攻击类型，第三级分类为细粒度攻击类型。我们在10个不同数据集上使用10种不同分类算法的实证结果表明，层次化分类和扁平分类方法在整体分类性能（即正确检测正常和各种类型攻击）方面没有显著差异。然而，扁平分类方法会将攻击误分类为正常，而层次化方法则将一种类型的攻击误分类为另一种攻击类型。换言之，层次化分类方法显著减少了攻击被误分类为正常流量的情况，这在关键系统中更为重要。