通过数据集集成提升网络入侵检测系统的可靠性
机器学习
2022-08-24 v1 密码学与安全
网络与互联网体系结构
摘要
本文提出 Reliable-NIDS（R-NIDS），一种基于机器学习（ML）的网络入侵检测系统（NIDSs）新方法，使 ML 模型能在集成数据集上工作，以不同数据集的多样信息增强学习过程。因此，R-NIDS 旨在设计比传统方法泛化能力更强的更鲁棒模型。我们还提出了一个称为 UNK21 的新数据集。它利用 R-NIDS 中的数据聚合方法，由三个最知名的网络数据集（UGR'16、USNW-NB15 与 NLS-KDD）构建，每个数据集采集自其自身的网络环境，具有不同特征与类别。遵循 R-NIDS，本文中我们基于文献中最常用的三个 NIDS 评估数据集（即集成于 UNK21 中的那些）的信息，构建两个知名的 ML 模型（一个线性与一个非线性）。所提方法给出的结果表明，作为 NIDS 方案训练的这两个 ML 模型如何从此方法中获益，在 newly proposed UNK21 数据集上训练时能够更好地泛化。此外，这些结果经统计工具细致分析，为我们的结论提供了高置信度。
引用
@article{arxiv.2112.02080,
title = {Improving the Reliability of Network Intrusion Detection Systems through Dataset Integration},
author = {Roberto Magán-Carrión and Daniel Urda and Ignacio Díaz-Cano and Bernabé Dorronsoro},
journal= {arXiv preprint arXiv:2112.02080},
year = {2022}
}
备注
Submitted to the IEEE Transactions on Emerging Topics in Computing journal