NBcoded：基于编码器与朴素贝叶斯模型、面向资源受限设备的网络攻击分类器
机器学习
2021-09-16 v1 密码学与安全
摘要
近年来，网络安全的重要性显著提升，使得攻击或入侵检测成为一项关键任务。事实上，系统、应用或网络中的微小漏洞都可能给公司造成巨大损害。然而，当攻击检测遇上人工智能范式时，可使用高质量分类器来解决，但这通常在计算或内存使用方面需要较高的资源需求。当攻击分类器需用于资源受限设备或不希望过度占用设备性能时（例如 IoT 设备或工业系统中所见），这种情况影响很大。为克服该问题，本文提出一种新颖的轻量攻击分类工具 NBcoded。NBcoded 以流水线方式工作，将编码器的噪声数据属性去除与朴素贝叶斯分类器所带来的低资源消耗和短时耗相结合。本文比较了基于三种不同朴素贝叶斯似然分布假设（高斯、互补和伯努利）的三种 NBcoded 实现。随后，将最优 NBcoded 与多层感知机和随机森林等最先进分类器进行比较。我们的实现在降低训练时间与磁盘使用影响方面表现最佳，尽管在准确率和 F1-score 上略逊于其他两者（约 2%）。
引用
@article{arxiv.2109.07273,
title = {NBcoded: network attack classifiers based on Encoder and Naive Bayes model for resource limited devices},
author = {Lander Segurola-Gil and Francesco Zola and Xabier Echeberria-Barrio and Raul Orduna-Urrutia},
journal= {arXiv preprint arXiv:2109.07273},
year = {2021}
}
备注
It will be published in "Communications in Computer and Information Science" and presented in the 3rd Workshop of Machine Learning for Cybersecurity (MLCS)