利用深度学习技术实现有效的零日攻击检测
密码学与安全
2020-11-17 v2
摘要
机器学习（ML）和深度学习（DL）已被用于构建入侵检测系统（IDS）。新网络攻击在数量和种类上的激增对依赖历史攻击签名数据库的 IDS 解决方案构成了巨大挑战。因此，工业界对能够标记零日攻击的鲁棒 IDS 的需求正在增长。当前基于离群点的零日检测研究误报率较高，从而限制了其实用性和性能。本文提出了一种用于检测零日攻击的自编码器实现。目标是构建一个具有高召回率且将漏报率（假阴性）保持在可接受最小值的 IDS 模型。使用两个知名的 IDS 数据集进行评估——CICIDS2017 和 NSL-KDD。为证明模型的有效性，我们将其结果与单类支持向量机（SVM）进行比较。该文强调了当零日攻击与正常行为区分明显时单类 SVM 的性能。所提模型极大受益于自编码器的编码-解码能力。结果表明自编码器非常适用于检测复杂零日攻击。结果显示，NSL-KDD 数据集的零日检测准确率为 [89-99%]，CICIDS2017 数据集为 [75-98%]。最后，本文概述了召回率与误报率之间的观测权衡。
引用
@article{arxiv.2006.15344,
title = {Utilising Deep Learning Techniques for Effective Zero-Day Attack Detection},
author = {Hanan Hindy and Robert Atkinson and Christos Tachtatzis and Jean-Noël Colin and Ethan Bayne and Xavier Bellekens},
journal= {arXiv preprint arXiv:2006.15344},
year = {2020}
}
备注
18 pages, 4 figures