RIDE:基于忆阻器硬件架构中可解释机器学习的实时入侵检测
密码学与安全
2023-11-28 v1 人工智能
摘要
基于深度学习(DL)的方法在网络入侵检测中通过高精度识别恶意网络流量行为模式展现出巨大前景,但由于深度神经网络(DNN)的高计算时间与资源需求,以及缺乏可解释性,其在高速通信网络中实现实时、包级检测的应用颇具挑战。为此,我们提出一种包级网络入侵检测方案,其新颖地利用循环自编码器将任意长度的数据包序列整合为更紧凑的联合特征嵌入,并输入基于DNN的分类器。为实现可解释性并以微秒级速度支持实时检测,我们进一步开发了软件-硬件协同设计方法,通过将学到的检测策略转换为决策树并基于新兴的忆阻器器件架构实现,来高效落实所提方案。通过联合优化相关软件与硬件约束,我们表明该方法可带来一种极高效率的实时方案,在包级上具有高检测精度。在真实世界数据集(如UNSW与CIC-IDS数据集)上的评估结果表明,其实现了近三个9的检测精度,并获得了近四个数量级的显著加速。
引用
@article{arxiv.2311.16018,
title = {RIDE: Real-time Intrusion Detection via Explainable Machine Learning Implemented in a Memristor Hardware Architecture},
author = {Jingdi Chen and Lei Zhang and Joseph Riem and Gina Adam and Nathaniel D. Bastian and Tian Lan},
journal= {arXiv preprint arXiv:2311.16018},
year = {2023}
}