基于滑动时间窗口数据处理的 NIDS 神经网络及其泛化能力

本文提出一种用于网络入侵检测系统（NIDS）的神经网络方法，采用时间窗口数据预处理。该方法仅需 eleven 个特征，无需深度数据包检查，即可在大多数 NIDS 数据集中轻松获取，且易于从常规流量收集器获得。时间窗口相对于主机聚合信息，帮助识别其他聚合方法遗漏的流签名。我们研究了多种网络架构，提出基于 Kolmogorov-Arnold 网络（KAN）启发的可训练激活函数，以实现更简洁的网络结构即可获得更高准确率。报告的训练准确率在该方法下可超过 99%，仅需二十个神经网络输入特征。本 work 还研究了 NIDS 的泛化能力——这是以往研究不充分考察的关键方面。采用 CICIDS2017 数据集及本 study 自采集的自定义数据集进行泛化实验。结果表明在更换数据集时性能指标显著下降，性能下降可归因于不同数据集中相同类型流的签名差异，这进一步可归因于底层网络差异。我们指出某些神经网络的泛化准确率非常不稳定，对随机初始化参数敏感，而具有更少参数且激活函数调优良好的神经网络更稳定且可实现更高准确率。