一种新颖的入侵检测方法：引入GAN-MSCNN-BILSTM及LIME预测
密码学与安全
2024-06-11 v1 人工智能
网络与互联网体系结构
摘要
本文提出一种创新的入侵检测系统，利用生成对抗网络（GAN）、多尺度卷积神经网络（MSCNN）和双向长短期记忆网络（BiLSTM），并辅以局部可解释模型中性解释（LIME）以实现可解释性。该系统采用GAN生成真实的网络流量数据，包括正常流量和攻击模式。生成的合成数据被输入MSCNN-BiLSTM架构进行入侵检测。MSCNN层在不同尺度上提取网络流量数据的特征，而BiLSTM层捕获流量序列中的时间依赖性。集成LIME后，可解释模型的决策。在Hogzilla数据集上的评估显示，多类分类准确率达到99.16%，二类分类准确率达到99.10%，同时通过LIME确保了可解释性。这种深度学习与可解释性的融合为通过提高透明度和网络安全决策支持来增强入侵检测系统提供了有前景的方向。
引用
@article{arxiv.2406.05443,
title = {Novel Approach to Intrusion Detection: Introducing GAN-MSCNN-BILSTM with LIME Predictions},
author = {Asmaa Benchama and Khalid Zebbara},
journal= {arXiv preprint arXiv:2406.05443},
year = {2024}
}