暗夜猎手：利用深度集成网络发现异常网络活动
密码学与安全
2021-09-02 v4
摘要
基于机器学习（ML）的入侵检测系统（IDS）在大规模网络空间中发掘未知威胁方面发挥关键作用。它们已被许多组织（如金融机构、制造企业与政府机构）采纳为主流猎杀方法。然而，现有设计以大量误报为代价取得高威胁检测性能，导致告警疲劳。为应对此问题，本文提出一种称为DarkHunter的基于神经网络的防御机制。DarkHunter在设计上结合了监督学习与无监督学习。它使用深度集成网络（通过监督学习训练）检测异常网络活动，并利用基于无监督学习的方案剔除误检结果。对每个检测到的威胁，DarkHunter可溯源至其来源并以原始流量格式呈现该威胁。基于UNSW-NB15数据集的评估表明，DarkHunter优于现有基于ML的IDS，且能在保持低误报率的同时实现高检测准确率。
引用
@article{arxiv.2105.09157,
title = {Hunter in the Dark: Discover Anomalous Network Activity Using Deep Ensemble Network},
author = {Shiyi Yang and Hui Guo and Nour Moustafa},
journal= {arXiv preprint arXiv:2105.09157},
year = {2021}
}