零日攻击与勒索软件检测
密码学与安全
2024-08-13 v1
摘要
零日攻击和勒索软件持续挑战传统网络入侵检测系统（NIDS），暴露其在及时威胁分类方面的局限性。尽管努力减少误报和漏报，但仍有显著攻击持续发生，凸显了需要更先进解决方案的紧迫性。机器学习（ML）模型在增强NIDS方面显示出前景。本研究使用UGRansome数据集训练各种ML模型，用于零日和勒索软件攻击检测。研究结果表明，随机森林分类器（RFC）、XGBoost和集成方法在准确率、精确率、召回率和F1分数上均取得完美分数。相比之下，支持向量机（SVM）和朴素贝叶斯（NB）模型表现较差。与其他研究比较显示，决策树和集成方法取得了改进，准确率分别为99.4%和97.7%。未来研究应探索合成少数过采样技术（SMOTE）以及多样化或通用数据集，以提高零日和勒索软件攻击的实时识别能力。
引用
@article{arxiv.2408.05244,
title = {Zero-day attack and ransomware detection},
author = {Steven Jabulani Nhlapo and Mike Nkongolo Wa Nkongolo},
journal= {arXiv preprint arXiv:2408.05244},
year = {2024}
}
备注
This work is part of a master's in information technology (MIT) at the University of Pretoria, Faculty of Informatics