Mar, 2024

一种适应性双层单类分类入侵检测系统用于新兴网络威胁

PDF
TL;DR在这项研究中，我们提出了一个基于单类分类的入侵检测系统结构，并使用多分类机制和聚类算法嵌入二级模型中。该框架不仅可以识别未知攻击，还可以利用它们对未知攻击进行再训练，从而使模型能够随着新的威胁模式的出现而进化。通过在第一层使用单类分类器（OCC），我们的方法规避了攻击样本的需求，解决了数据不平衡和零日攻击的问题。我们的研究表明，这个框架在实际部署中具有很大的潜力。
internet of thingsiiotnetwork intrusion detection systemmachine learning-based idssone-class classification-driven ids system
发现论文，激发创造
  • 基於 usfAD 的高效未知攻擊檢測專注 IDS 框架

    通过半监督学习技术开发入侵检测系统，建立了两种策略：1）使用随机和均匀分布的合成攻击样本训练有监督机器学习模型；2）构建一种仅基于良性网络流量训练的一类分类模型。实验证明，基于最先进的异常检测技术 usfAD 的一类分类模型在考虑真实场景并要检测先前未见的攻击时优于传统的有监督分类和其他一类分类技术。

    Mar, 2024

  • 用于检测 MQTT-IoT 协议攻击的多类分类方法

    我们的工作集中于创建分类模型，以数据集为基础，该数据集包含使用 MQTT 协议的 IoT 系统遭受攻击的帧，以提高入侵检测系统的性能。我们研究了集成方法和深度学习模型两种分类攻击的方法，并取得了非常令人满意的结果。

    Feb, 2024

  • 入侵检测系统的分层分类：有效设计与实证分析

    通过使用三级分层分类模型对各种网络攻击进行分类，我们的实证结果表明，相对于平级分类方法，分层分类方法在避免将攻击误分类为正常流量方面具有显著优势。

    Mar, 2024

  • 基于机器学习的物联网应用入侵检测系统

    本文研究了使用机器学习分类算法以保证物联网 (IoT) 不受拒绝服务攻击 (DoS) 的前景。评估了流行数据集 CIDDS-001， UNSW-NB15 和 NSL-KDD 用于分类器的基准测试，并使用 Friedman 和 Nemenyi 测试来分析分类器之间的显着差异。最终提出了建议，以应用程序要求选择最佳分类器。

    Feb, 2023

  • 基于集成学习的入侵检测系统保护雾计算物联网环境

    该论文提出利用 NSL-KDD 数据集，结合多个学习器构建集成学习器，提高入侵检测的准确度，在雾到终端架构中实施两个级别的分类，实现入侵检测与精确预防的目的，实验结果表明该 IDS 比其他最先进的方法在该数据集上更为有效。

    Jan, 2019

  • 在物联网环境中检测未知攻击：增强网络入侵检测的开放集分类器

    本文介绍了一种针对物联网环境中网络入侵检测系统的开放集识别问题的缓解框架，该框架利用基于图像的报文级数据表示，从网络流量中提取空间和时间模式，并结合堆叠和子聚类技术，有效地模拟良性行为的复杂和多样性，显著提升了先前未见攻击的检测率，未来将在各种开放程度和攻击场景下进行进一步实验，进一步加强该解决方案在保护物联网环境中的适应性和性能。

    Sep, 2023

  • 学习网络入侵检测：一种数据驱动的方法

    本文通过采用不同的基于学习的模型来检测网络攻击，演示了无监督表示学习模型在二进制入侵检测任务中的优势，并使用 SVM-SMOTE 过采样技术缓解了 4 类分类中的数据不平衡问题，并进一步展示了过采样机制的有效性及其深入神经网络基础模型的缺陷。

    Aug, 2021

  • 增强物联网安全的前沿深度学习方法

    提出了一种创新性的基于深度学习的卷积神经网络和长短期记忆网络的物联网环境入侵检测系统，在 CICIDS2017 数据集上实现了 99.52% 的准确率，具有实时处理能力、可扩展性和低虚警率，成功应用于当今的物联网网络，对自适应学习技术和跨领域适用性等相关领域的发展和性能进行了讨论，为显著提高网络安全性提供了强有力的解决方案。

    Jun, 2024

  • 基于集成分类器的工业物联网鲁棒性攻击检测方法

    本文旨在开发一种两阶段的异常检测模型，通过集成机器学习技术 - 支持向量机和朴素贝叶斯，使用集成混合技术进行预测，以及神经网络分类器和随机森林算法进行结果分类，提高工业物联网网络的可靠性。测试结果表明，该模型的准确性最高可达 99％，且优于传统的技术。

    Jan, 2021

  • MTH-IDS：一种面向车联网的多层级混合入侵检测系统

    本文提出一种多层次混合式 IDS，其结合基于签名的 IDS 和基于异常的 IDS，以检测车载网络上已知和未知攻击，实验结果表明，该系统能够以 99.99％的准确度检测到各种类型的已知攻击，并且对于新攻击检测也非常有效。

    May, 2021