基于Eigentraces特征提取与一类分类的系统调用迹数据主机异常检测
机器学习
2019-11-27 v1 密码学与安全
机器学习
摘要
本文提出一种基于主机的异常检测方法，采用半监督算法即一类分类器，并结合称为Eigentraces的基于PCA的特征提取技术处理系统调用迹数据。一类分类通过参考分布生成一组人工数据，并将目标类概率函数与人工类密度函数结合，经贝叶斯公式估计目标类密度函数。基准数据集ADFA-LD用于仿真研究。ADFA-LD数据集包含Linux操作系统环境下各种正常与攻击过程中收集的数千条系统调用迹。为预处理和提取特征，对系统调用迹数据加窗后实施称为Eigentraces的主成分分析。目标类概率函数分别由径向基函数神经网络与随机森林机器学习器建模以比较性能。仿真研究表明，所提入侵检测系统针对检测率、准确率、漏报与误报率等一组公认指标，在检测异常与正常活动方面具有高性能。
引用
@article{arxiv.1911.11284,
title = {Host-based anomaly detection using Eigentraces feature extraction and one-class classification on system call trace data},
author = {Ehsan Aghaei and Gursel Serpen},
journal= {arXiv preprint arXiv:1911.11284},
year = {2019}
}