用迁移学习应对网络安全中的不平衡数据：以ROP载荷检测为例
密码学与安全
2021-05-10 v1
摘要
近年来，深度学习在网络安全应用领域获得了迅速增长的普及，因为与传统机器学习相比，它通常涉及更少的人力、产生更好的结果并提供更好的泛化能力。然而，不平衡数据问题在网络安全中非常普遍，会大幅恶化深度学习模型的性能。本文引入一种基于迁移学习的方法，以面向返回导向编程（ROP）载荷检测为案例研究，应对网络安全中的不平衡数据问题。我们在3个不同目标域程序上使用2个不同源域程序，在目标域有0个良性训练数据样本的情况下，取得了0.033平均误报率、0.9718平均F1分数和0.9418平均检测率。与基线相比的性能改进是误报率与检测率之间的权衡。使用我们的方法，误报数量减少了23.20%，作为权衡，检测到的恶意样本数量减少了0.50%。
引用
@article{arxiv.2105.02996,
title = {Tackling Imbalanced Data in Cybersecurity with Transfer Learning: A Case with ROP Payload Detection},
author = {Haizhou Wang and Peng Liu},
journal= {arXiv preprint arXiv:2105.02996},
year = {2021}
}
备注
19 pages, 9 figures