ML Defender (aRGus NDR)：面向资源受限组织的嵌入式 ML 网络入侵检测系统
摘要
勒索软件和DDoS攻击对无法负担企业级安全措施的医院、学校和小型组织造成不成比例的影响。我们提出ML Defender（aRGus NDR），一个开源的C++20网络入侵检测系统，集成了嵌入式机器学习推理，可部署在150-200美元的通用硬件上。该系统在eBPF/XDP、ZeroMQ和Protocol Buffers上实现了一个六组件管道，采用双得分Fast Detector + 随机森林架构。在CTU-13 Neris数据集上评估：F1=0.9985，精确率=0.9969，召回率=1.0000（仅12,075个良性流中产生2个误报，两个都是VirtualBox制造的伪影）。我们报告了在CTU-13 Neris数据集上进行的首次三范式实验比较，所有实验在相同条件下进行：(1) Suricata 6.0.10配合50,010条ET Open规则未生成任何警报——通过离线实验（DAY 148）在323,154个数据包上验证，包含251个IRC、475个僵尸/C2和853个特洛伊木马签名，消除了回放伪影作为解释因素；(2) Zeek 8.1.2生成14个正确检测（精确率=1.000，F1=0.042），但在结构化日志中观察到完整的僵尸网络概览而未触发警报；(3) aRGus NDR实现F1=0.9985，召回率=1.000。这些结果定义了一种决策架构分类法——签名、脚本化行为、机器学习行为——其差异在于网络知识被编码的层面。这三个范式是互补的：Zeek的遥测、Suricata的签名可自然地与机器学习行为分类器一起工作。ML Defender采用MIT许可证发布。
引用
@article{arxiv.2604.04952,
title = {ML Defender (aRGus NDR): An Open-Source Embedded ML NIDS for Botnet and Anomalous Traffic Detection in Resource-Constrained Organizations},
author = {Alonso Isidoro Román},
journal= {arXiv preprint arXiv:2604.04952},
year = {2026}
}
备注
v3 (DAY 148, May 2026): Three-paradigm comparison added (Suricata 6.0.10 + Zeek 8.1.2 + aRGus NDR on CTU-13 Neris, identical conditions). Offline validation with 50,010 ET Open rules confirms zero detections independent of replay methodology. Section 6 Future Work expanded (5 subsections). Decision architecture taxonomy introduced. Abstract updated