多类NetFlow流量合成数据增强的系统评估

计算机网络中的网络攻击检测是一项关键且持续进行的研究课题。基于机器学习的攻击分类提供了有前景的解决方案，因为这些模型可以不断更新新数据，从而提升网络入侵检测系统（NIDS）的效果。与仅指示攻击存在的二分类模型不同，多分类模型可以识别特定类型的攻击，从而实现更有针对性和有效的事件响应。然而，这些分类模型的一个显著缺点是其对不平衡训练数据的敏感性。近期进展表明，生成模型可用于数据增强，声称能提供更优的解决方案来处理不平衡数据集。尽管如此，在NIDS领域对这些方法的全面比较仍缺乏。大多数现有研究仅聚焦于单个方法，由于实验 setup的差异，难以进行结果比较。为填补这一差距，我们设计了一个系统框架，用于在NIDS领域比较经典和生成式数据重采样方法在多种流行分类模型中的效果，并在几个NIDS基准数据集上进行评估。我们的实验表明，针对训练数据的重采样方法并不可靠地提高分类性能。尽管某些实例显示出性能提升，但大多数结果显示性能下降，且没有明确的趋势表明特定的重采样技术能在特定的分类器上带来改进。