用于入侵检测系统的混合模型
密码学与安全
2020-03-20 v1 机器学习
摘要
随着针对不断增长的网络流量的新攻击数量增加，立即告警任何恶意活动以避免敏感数据和金钱损失变得具有挑战性。这使得入侵检测成为网络安全中令人关注的主要领域之一。基于异常的网络入侵检测技术是最常用的技术之一。根据用于测试这些技术的数据集不同，准确率有所差异。大多数情况下该数据集并不能代表真实网络流量。考虑到这一点，本项目分析了用于入侵检测系统的不同机器学习算法，在类似于当前真实世界网络流量（CICIDS2017）的数据集和KDD 99的改进版（NSL-KDD）上进行测试。在对两种数据集上的不同入侵检测系统进行分析后，本项目旨在开发一种新的用于入侵检测系统的混合模型。这种新的混合方法采用堆叠（stacking）方案结合决策树和随机森林算法，在NSL-KDD数据集上达到85.2%的准确率和86.2%的精确率，在CICIDS2017数据集上达到98%的准确率和98%的精确率。
引用
@article{arxiv.2003.08585,
title = {Hybrid Model For Intrusion Detection Systems},
author = {Baha Rababah and Srija Srivastava},
journal= {arXiv preprint arXiv:2003.08585},
year = {2020}
}