X-CBA：可解释性辅助的 CatBoosted Anomal-E 入侵检测系统
密码学与安全
2024-11-27 v2 人工智能
机器学习
网络与互联网体系结构
摘要
在网络威胁日益复杂的时代，入侵检测系统 (IDS) 的有效性至关重要。机器学习 (ML) 和深度学习 (DL) 模型为识别计算机网络中的攻击和异常提供了高效且准确的解决方案。然而，在 IDS 中使用 ML 和 DL 模型因其决策不透明而导致了信任缺失。IDS 研究中的这种透明度差距十分显著，影响了信心和问责制。为解决这一问题，本文介绍了一种名为 X-CBA 的新型可解释 IDS 方法，该方法利用图神经网络 (GNNs) 的结构优势有效处理网络流量数据，同时采用了一种新的可解释人工智能 (XAI) 方法。与大多数依赖标记网络流量和节点特征从而忽略关键包级信息的基于 GNN 的 IDS 不同，我们的方法通过网络流利用更广泛的流量数据（包括边属性），以提高检测能力并适应新型威胁。通过实证测试，我们确定该方法不仅在威胁检测中达到了 99.47% 的高准确率，而且通过提供清晰、可操作的分析结果解释推动了该领域的发展。本研究还旨在弥合当前差距，通过提供既精确又可解释的局部和全局可解释性解决方案，促进 ML/DL 技术在网络安全防御中的更广泛集成。
引用
@article{arxiv.2402.00839,
title = {X-CBA: Explainability Aided CatBoosted Anomal-E for Intrusion Detection System},
author = {Kiymet Kaya and Elif Ak and Sumeyye Bas and Berk Canberk and Sule Gunduz Oguducu},
journal= {arXiv preprint arXiv:2402.00839},
year = {2024}
}