基于多域 Transformer 的深度学习用于网络入侵早期检测
密码学与安全
2024-05-28 v1 人工智能
摘要
网络入侵检测系统（NIDS）的及时响应受限于需要累积网络数据包的流生成过程。本文将多元时间序列（MTS）早期检测引入 NIDS，以在恶意流到达目标系统之前识别之。为此，我们首先提出一种新颖的特征提取器——时间序列网络流计量器（TS-NFM），将网络流表示为具可解释特征的 MTS，并利用 TS-NFM 与 CICIDS2017 的元数据创建了一个称为 SCVIC-TS-2022 的新基准数据集。此外，提出一种称为多域 Transformer（MDT）的基于深度学习的早期检测新模型，其将频域引入 Transformer。本工作进一步提出多域多头注意力（MD-MHA）机制以提升 MDT 提取更优特征的能力。基于实验结果，所提方法将传统 NIDS 的早期性（即用于分类的数据包占比）提升 5×10^4 倍，基于时长的早期性（即一条流中被分类数据包的时长占比）提升 60 倍，在 SCVIC-TS-2022 上取得 84.1% 的宏 F1 分数（比 Transformer 高 31%）。此外，所提 MDT 在 ECG 与 Wafer 数据集上分别超越最先进早期检测方法 5% 与 6%。
引用
@article{arxiv.2309.01070,
title = {Multidomain transformer-based deep learning for early detection of network intrusion},
author = {Jinxin Liu and Murat Simsek and Michele Nogueira and Burak Kantarci},
journal= {arXiv preprint arXiv:2309.01070},
year = {2024}
}
备注
6 pages, 7 figures, 3 tables, IEEE Global Communications Conference (Globecom) 2023