基于机器学习的网络入侵检测系统的交叉评估
密码学与安全
2022-03-10 v1 机器学习
网络与互联网体系结构
摘要
利用有监督机器学习(ML)增强网络入侵检测系统(NIDS)是困难的。ML-NIDS必须被训练和评估,这些操作需要数据,其中良性与恶意样本被清晰标注。此类标注需要昂贵的专家知识,导致真实部署的缺乏,以及论文总是依赖同样的过时数据。近来情况有所改善,一些工作公开了它们带标签的数据集。然而,多数过去的工作仅将这些数据集用作“又一个”测试平台,忽视了这种可用性所带来的额外潜力。相反,我们提倡利用此类已有的带标签数据对ML-NIDS进行交叉评估。这种方法仅受到有限关注,并且由于其复杂性,需要专门的处理。因此我们提出首个交叉评估模型。我们的模型凸显了可通过交叉评估衡量的更广泛现实用例,从而能够发现最先进ML-NIDS尚不为人知的特质。例如,它们的检测面可以被扩展——无需额外的标注成本。然而,开展此类交叉评估具有挑战性。因此,我们提出首个基于网络流(network flows)的可靠交叉评估框架XeNIDS。通过在六个知名数据集上使用XeNIDS,我们展示了ML-NIDS交叉评估中隐藏的潜力,以及其中的风险。
引用
@article{arxiv.2203.04686,
title = {The Cross-evaluation of Machine Learning-based Network Intrusion Detection Systems},
author = {Giovanni Apruzzese and Luca Pajola and Mauro Conti},
journal= {arXiv preprint arXiv:2203.04686},
year = {2022}
}