通过基于滚动窗口的先进机器学习方法优化网络攻击频率预测

《Scientific Reports》：Optimizing cyberattack frequency forecasting by advanced machine learning adaptation with tumbling windows

　　

摘要

目前有大量研究致力于通过反应式辅助技术来检测网络攻击，这类技术利用模式匹配算法扫描系统日志和网络流量，以识别已知攻击特征。虽然已经开发出了有效的机器学习模型来自动化检测流程——包括识别、追踪和阻止恶意软件及入侵者——但对于网络攻击的预测，尤其是针对超出日常观测时间范围的预测，所给予的关注相对较少。长期攻击预测方法具有重要意义，因为它能为防御方提供更多时间来制定和部署防御策略与工具。长短期记忆网络因在时间序列数据分析中的出色表现而常被用作机器学习模型。本文提出了一种新的方法，将长短期记忆网络与灵活的滑动窗口技术相结合，以提高预测精度并提升训练效率。实验中还采用了卷积滤波器以及综合双变量性能评估指标，这些方法类似于用于优化股票预测系统的手段。预计这些研究成果将为该领域的研究人员提供宝贵见解。