Kitsune：一种用于在线网络入侵检测的自动编码器集成方法

神经网络已成为网络入侵检测系统（NIDS）中日益流行的解决方案。其学习复杂模式和行为的能力使其成为区分正常流量与网络攻击的合适方案。然而，神经网络的一个缺陷是训练所需的资源量。许多可能承载 NIDS 的网络网关和路由器设备根本不具备训练、有时甚至执行此类模型所需的内存或处理能力。更重要的是，现有的神经网络解决方案以监督方式训练，这意味着专家必须标注网络流量并不时手动更新模型。本文提出 Kitsune：一种即插即用的 NIDS，它无需监督且以高效的在线方式学习检测本地网络上的攻击。Kitsune 的核心算法（KitNET）使用称为自动编码器的神经网络集成，共同区分正常与异常流量模式。KitNET 由一个高效追踪每个网络通道模式的特征提取框架支持。我们的评估表明，即使在 Raspberry PI 上，Kitsune 也能以可与离线异常检测器相媲美的性能检测多种攻击。这表明 Kitsune 可以成为一种实用且经济的 NIDS。