Jun, 2024

物联网入侵检测的高效网络流量特征集

PDF
TL;DR评估了使用不同的特征选择方法（信息增益、卡方检验、递归特征消除、平均绝对偏差和离散比）提供的特征集在多个 IoT 网络数据集中的影响，以提高计算机效率。结果显示在保持良好泛化能力的同时，提高了机器学习模型的计算效率，对于每个数据集识别出了最具影响力的特征，并且特征集之间几乎没有差异。
machine learningcybersecurityfeature selection methodsiot network datasetsintrusion detection
发现论文，激发创造
  • 基于机器学习的入侵检测：特征选择与特征提取

    本文围绕现代 UNSW-NB15 数据集进行了基于机器学习的 IoT 网络入侵检测方法的特征提取和特征选择方法的全面比较，结果显示，虽然特征选择方法在降维、训练和预测时间方面优于特征提取，但对于特征数量少的情况下，特征提取方法更具可靠性，并对选择合适的入侵检测类型提供了有用的指南。

    Jul, 2023

  • 增强物联网安全性：一种新颖的特征工程方法用于基于机器学习的入侵检测系统

    本文介绍了一种在边缘用户物联网环境下改进机器学习型入侵检测系统的方法，通过创建信息性特征来在成本和准确性之间实现平衡，并利用混合二进制量子启发式人工蜜蜂群算法和遗传规划算法来减少冗余特征。其中，NSL-KDD、UNSW-NB15 和 BoT-IoT 三个物联网入侵检测数据集被用于评估该方法。

    Apr, 2024

  • 可靠的特征选择对抗性鲁棒性网络攻击检测

    通过选择与网络攻击检测最相关的特征，在网络流量分析中训练机器学习模型所使用的高质量数据，可以提高模型的鲁棒性和计算效率。通过改进数据集、选择与时间相关的特征和更具体的特征集，以及进行对抗训练，机器学习模型在不损害正常流量传输的情况下显著提高了其抗对抗攻击的泛化能力，从而在企业计算机网络中可可靠地检测可疑活动和扰动流量。

    Apr, 2024

  • 网络安全入侵检测系统中可解释性与效率的特征降维方法比较

    该研究探讨了在网络数据采集基础上，采用机器学习和深度学习方法，结合三种特征选择技术去构建出更快，更易解释，更准确的入侵检测系统，结果显示 Bat 算法得到了最高效的结果。

    Mar, 2023

  • 基于机器学习的网络入侵检测在大规模和不平衡数据上的应用：过采样、堆叠特征嵌入和特征提取

    我们介绍了一种基于机器学习的网络入侵检测模型，使用随机过采样处理数据不平衡并基于聚类结果进行堆叠特征嵌入，以及使用主成分分析进行维度约简，特别适用于大规模和不平衡的数据集，并在三个现阶段的基准数据集：UNSW-NB15、CIC-IDS-2017 和 CIC-IDS-2018 上进行了评估，结果表明该模型的性能持续优于现有技术，证明了该方法在网络入侵检测领域的重要进展和有效性。

    Jan, 2024

  • 提升入侵检测系统的网络安全挖掘技术

    本文解决入侵检测系统中分类器存在的问题，提出使用顺序向后搜索和信息增益进行改进的特征选择方法以及利用离散随机变量和概率质量函数将名义网络特征转换为数值型特征的方法，并组合使用已知的标准化方法来实现混合标准化方法，通过广泛的比较研究证明改进后的方法在性能上表现更好。

    Dec, 2012

  • 网络入侵检测的多阶段优化机器学习框架

    本文提出了一种新颖的多阶段优化的基于机器学习的 NIDS 框架，它减少了计算复杂性，同时保持了检测性能，研究了过采样技术对模型训练样本大小的影响，确定了最小合适的训练样本大小，并探究了基于信息增益和基于相关性的两种特征选择技术对检测性能和时间复杂度的影响，同时还调查了不同机器学习超参数优化技术来增强 NIDS 性能，实验证明所提出的模型显著降低了所需的训练样本大小（最高可达 74%）和特征集大小（最高可达 50%），且性能获得了提升，对 CICIDS 2017 和 UNSW-NB 2015 数据集的检测准确率均超过了 99%，优于最近的文献工作，其精度更高 1-2% ，误报率更低 1-2%。

    Aug, 2020

  • 为 CSE-CIC-IDS2018 数据集开发入侵检测系统识别相关特征

    本文基于 CSE-CIC-IDS2018 on AWS 数据集，针对五种攻击类型，通过四种广泛使用的指标，应用六种特征选择方法，形成了多个特征子集，使用五个分类算法确定每种攻击类型的最佳特征集。

    Jul, 2023

  • 应用特征工程简化机器学习的 IoT 设备高效攻击检测

    该研究提出一种绕过深度学习管道中的特征工程并使用原始包数据作为输入的轻量级检测算法，即特征工程无机器学习（FEL-ML），用于在物联网设备上进行恶意软件检测，有效地加速低功耗 IoT 边缘的网络流量安全，且无需专家对特征工程进行重大投资。

    Jan, 2023

  • 基于机器学习的入侵检测中，单个数据包特征对模型泛化的风险

    研究通过文献回顾和实验探索了使用个别数据包特征（IPF）来进行 IoT 网络中的入侵检测，发现 IPF 的局限性导致了误导性较高的检测率，强调了需要考虑数据包相互作用的方法来实现强健的入侵检测。此外，我们证明基于 IPF 的模型往往无法在不同的 IoT 环境中进行推广，从而损害了它们的可靠性。

    Jun, 2024