Pelican：一种用于网络入侵检测的深度残差网络
机器学习
2020-05-11 v7 密码学与安全
信号处理
摘要
构建安全网络通信环境的一个挑战是如何有效检测并防范恶意网络行为。异常网络活动威胁用户隐私，并可能损害整个网络的功能与基础设施。为解决此问题，网络入侵检测系统（NIDS）得以应用。通过持续监控网络活动，该系统可及时识别攻击并提示反制动作。NIDS 多年来不断演进。当代 NIDS 将机器学习（ML）作为核心技术，以提升对新型攻击的检测性能。然而，传统基于 ML 的检测方法所取得的高检测率常伴随大量误报，极大影响其整体性能。本文中，我们提出一种构建于专门设计的残差块之上的深度神经网络 Pelican。我们在两个网络流量数据集 NSL-KDD 和 UNSW-NB15 上评估了 Pelican。实验表明，与一组最新的基于机器学习的设计相比，Pelican 能在保持低得多的误报率的同时实现高攻击检测性能。
引用
@article{arxiv.2001.08523,
title = {Pelican: A Deep Residual Network for Network Intrusion Detection},
author = {Peilun Wu and Hui Guo and Nour Moustafa},
journal= {arXiv preprint arXiv:2001.08523},
year = {2020}
}
备注
Final version papaer will be published as the supplementary volumn at the 2020 50th Annual IEEE/IFIP International Conference on Dependable Networks and Systems (DSN'20), and presented at the Workshop on Data-Centric Dependability and Security (DCDS'20)