堆叠自编码器用于零日威胁的特征选择
密码学与安全
2023-11-02 v1 机器学习
摘要
零日攻击检测在降低风险、保护资产以及应对不断演变的威胁态势中发挥着关键作用。本研究探索了堆叠自编码器（SAE，一种人工神经网络）在基于长短期记忆（LSTM）机制的特征选择与零日威胁分类中的应用。该过程包括对UGRansome数据集进行预处理，并训练无监督SAE以提取特征。随后进行监督学习微调，以增强模型的判别能力。通过分析自编码器的学习权重与激活值，识别出区分零日威胁与正常系统行为的最重要特征。这些被选特征构成精简特征集，可实现准确分类。结果表明，SAE-LSTM在全部三类攻击中均表现良好，展现出高精确率、高召回率与高F1分数，凸显了模型在识别各类零日攻击方面的强预测能力。此外，SAE-LSTM的平衡平均分数表明该模型在不同攻击类别间具有有效且一致的泛化能力。
引用
@article{arxiv.2311.00304,
title = {Stacking an autoencoder for feature selection of zero-day threats},
author = {Mahmut Tokmak and Mike Nkongolo},
journal= {arXiv preprint arXiv:2311.00304},
year = {2023}
}
备注
This paper was presented at the International Conferences on Science and Technology Engineering Science and Technology, Budva, Montenegro