基于机器学习的5G网络异常检测
密码学与安全
2020-03-10 v1 机器学习
机器学习
摘要
由于物联网（IoT）带来的网络安全威胁增加和攻击面扩大、网络异构性增强、虚拟化技术和分布式架构的使用增多，保护未来的网络将是一个具有挑战性的领域。本文提出SDS（软件定义安全，Software Defined Security）作为一种提供自动化、灵活且可扩展的网络防御系统的方法。SDS将利用机器学习的最新进展，使用NAS（神经架构搜索，Neural Architecture Search）设计CNN（卷积神经网络，Convolutional Neural Network）以检测异常网络流量。SDS可应用于入侵检测系统，为5G网络创建更具主动性和端到端的防御。为验证该假设，我们从模拟环境中收集了正常和异常网络流，并使用CNN进行分析。该方法的结果令人鼓舞，模型以100%的准确率识别良性流量，并以96.4%的检测率识别异常流量。这证明了网络流分析对于多种常见恶意攻击的有效性，也为检测加密恶意网络流量提供了可行方案。
引用
@article{arxiv.2003.03474,
title = {Machine Learning based Anomaly Detection for 5G Networks},
author = {Jordan Lam and Robert Abbas},
journal= {arXiv preprint arXiv:2003.03474},
year = {2020}
}