基于混合管道和径向基函数神经网络的HTTP慢速拒绝服务攻击检测与分类方法 Bashaer H. Alrashid, Mazen Alwadi, Qasem Abu Al-Haija

《Journal of Cybersecurity and Privacy》：Hybrid-Pipeline-Based Detection and Classification of HTTP Slow Denial-of-Service Attacks Using Radial Basis Function Neural Networks Bashaer H. Alrashid, Mazen Alwadi and Qasem Abu Al-Haija

　　

摘要

当恶意会话表现出与良性网络行为极为相似的流量特征时，检测拒绝服务攻击仍然具有挑战性，尤其是在低速率攻击场景中。本研究探讨了基于自动编码器的特征压缩是否能够在保持面向部署的设计的同时提高基于流量的入侵检测能力。我们开发了一个轻量级的流程，该流程使用自动编码器学习表格流量的低维潜在表示，并通过随机森林（Random Forest）、LightGBM和径向基函数神经网络（radial basis function neural network）进行分类。使用CICIDS 2017数据集进行测试，最佳配置下自动编码器结合随机森林的准确率达到99.43%，自动编码器结合LightGBM的准确率达到99.39%，而自动编码器结合径向基函数神经网络的准确率为98.27%，同时具备较高的精确度、召回率和F1分数。研究结果表明，通过使用紧凑的学习特征可以降低下游模型的输入复杂性，从而实现高检测性能，这对操作监控环境非常有益。该研究通过提供可复制的评估方法，将表示学习作为表格入侵检测的特征压缩步骤，并将模型性能与实际部署相关的可测量计算因素联系起来，从而推动了相关知识的进展。