面向已知攻击与零日攻击的自适应决策级入侵检测

《Network》:Adaptive Decision-Level Intrusion Detection for Known and Zero-Day Attacks Joseph P. Mchina, Neema Mduma and Ramadhani S. Sinde

【字体: 大 中 小 】 时间:2026年04月14日 来源:Network 3.1

编辑推荐:

  网络入侵检测系统(NIDS)在面对复杂网络威胁时,尤其是能够绕过基于签名方法的零日攻击方面,面临日益严峻的挑战。虽然监督学习在已知攻击分类中表现有效,但在应对新型威胁时存在局限,而无监督异常检测方法则往往伴随较高的误报率和阈值不稳定问题。为解决这些限制,研究人

  
网络入侵检测系统(NIDS)在面对复杂网络威胁时,尤其是能够绕过基于签名方法的零日攻击方面,面临日益严峻的挑战。虽然监督学习在已知攻击分类中表现有效,但在应对新型威胁时存在局限,而无监督异常检测方法则往往伴随较高的误报率和阈值不稳定问题。为解决这些限制,研究人员提出了一种决策级自适应入侵检测框架,将基于层次卷积神经网络(CNN)的闭集分类与基于自编码器(AE)的零日检测集成于级联架构中。该框架通过在部署阶段动态调整类别特定的置信度阈值和融合参数实现自适应,无需重新训练模型。在CSE-CIC-IDS2018数据集上的实验表明,该框架在闭集分类任务中取得了98.98%的准确率及0.9342的宏F1值,并在自适应阈值策略下提升了少数攻击类别的召回率。在零日攻击评估协议下,将Web_Attacks与Infiltration类别排除在训练与验证之外,该方法实现了0.9319的F1值,同时保持0.0019的低误报率。此外,研究人员在模拟大学校园网络环境(SUNE)数据集上进行了评估,该数据集反映了校园网流量特征,框架在闭集分类中取得96.18%的准确率,在集成级联设置下的准确率达到97.54%。结果表明,该框架能够在动态和资源受限的网络环境中,有效平衡少数攻击检测、零日识别与误报控制。
该研究针对当前网络入侵检测系统(NIDS)在应对复杂攻击特别是零日攻击时的不足,结合层次卷积神经网络(CNN)与自编码器(AE),提出了一种可在部署阶段动态调整决策参数的自适应检测框架。研究背景在于传统基于签名的检测方法无法识别未知攻击,而监督学习方法难以处理未见过的威胁模式,无监督异常检测又存在高误报率与静态阈值不稳定的问题,尤其在资源受限的高校网络中更为突出。为此,研究人员设计了由Gate CNN与Attack CNN构成的闭集检测路径,以及仅使用正常流量训练的自编码器构成的零日检测路径,并通过轻量化的决策控制器实时调整类别特定阈值与信号融合权重,在不修改已训练模型权重的前提下实现自适应。实验采用CSE-CIC-IDS2018公开数据集与自建的模拟大学校园网络环境(SUNE)数据集,通过四阶段训练流程完成模型构建,并在闭集分类、零日检测与集成级联模式下分别进行评估。结果显示,该框架在闭集中实现了98.98%的准确率与0.9342的宏F1值,在零日检测中F1值达0.9319且误报率仅为0.0019,在SUNE数据集上闭集准确率为96.18%,集成级联准确率达97.54%。研究表明,决策级自适应校准可有效兼顾少数攻击检测、零日识别与误报控制,适用于动态与资源受限环境。
关键技术方法方面,研究人员使用了两个数据集:CSE-CIC-IDS2018包含约1610万条双向流记录,涵盖七类攻击;SUNE为模拟大学校园网络流量数据集,包含约62.7万条流记录,覆盖四类攻击。特征工程采用基于互信息的特征选择方法,将特征维度分别降至22维与18维。闭集检测采用层次CNN结构,包括用于二分类的Gate CNN与用于多类攻击分类的Attack CNN,均使用Adam优化器训练。零日检测采用仅在正常流量上训练的全连接自编码器,以重构误差作为异常分数。自适应机制包括类别特定置信度阈值的在线更新,以及融合Gate CNN概率、自编码器重构误差、高斯混合模型负对数似然与能量分数的综合异常分数计算,融合权重依据近期误报率动态调整。推理阶段采用级联决策逻辑,优先使用闭集分类结果,未命中的样本进入零日检测模块。
研究结果方面,闭集多类检测性能显示,Normal类召回率达1.000,Botnet与DDoS的F1值超过0.999,Web_Attacks召回率提升至0.9928,Infiltration精度保持在0.9996,整体准确率为98.98%,宏F1值为0.9342。自适应阈值影响方面,相比静态阈值,自适应策略提升了BruteForce、Web_Attacks与Infiltration的召回率,Web_Attacks召回率从0.9137增至0.9928,整体准确率提升至98.68%。零日开放集检测中,将Web_Attacks与Infiltration排除在训练外,检测率达0.8747,误报率0.0019,F1值0.9319,AUC为0.9480;在不同排除协议下F1值保持在0.8979至0.9807之间,验证了稳健性。集成级联IDS性能方面,整体准确率达0.9837,召回率0.9996,F1值0.9569,误报率0.0198。SUNE数据集闭集检测中,总体准确率96.18%,宏F1值0.8270,其中Normal与DoS类达到完美分类,U2R召回率达0.9902。SUNE零日检测中,将R2L与Probe排除,F1值0.9381,AUC为0.9955,不同排除协议下F1值在0.9243至0.9405之间。SUNE集成级联性能中,准确率达97.54%,召回率0.9986,F1值0.9476。
讨论与结论部分指出,该框架在保持高性能的同时,避免了深度架构扩展或频繁重训练的代价,通过决策层自适应校准实现了少数攻击与零日攻击的平衡检测。与现有方法相比,其在低误报率条件下显著提升了检测率,特别是在Web_Attacks与Infiltration类别上提升超过40个百分点。研究证实,在资源受限环境中,决策级自适应机制可兼顾检测灵敏度与稳定性,具有实际部署价值。未来工作将聚焦于跨域适应性、长期概念漂移下的鲁棒性以及在真实运营网络中的验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号