Сравнительный анализ систем обнаружения вторжений и анализ моделей на основе машинного обучения с использованием дерева решений
Comparative Analysis of Intrusion Detection Systems and Machine Learning-Based Model Analysis Through Decision Tree
2023-01-01
SCID: 54.1/n5zpjmff
Discuss with AI
дерево решенийметоды уклонениясистемы обнаружения вторжениймашинное обучениеобнаружение сетевых вторжений
Figures from the paper
Abstract (AI)
Кибератаки создают возрастающие трудности для точного обнаружения вторжений, угрожая конфиденциальности, целостности и доступности данных. В данном обзорном исследовании представлена современная таксономия систем обнаружения вторжений (IDS), приведён всесторонний обзор методов обнаружения вторжений и рассмотрены широко используемые наборы данных для оценки. Обсуждаются методы уклонения, применяемые злоумышленниками, а также сложности противодействия им для повышения безопасности сетей. Исследователи стремятся совершенствовать IDS за счёт точного обнаружения злоумышленников, снижения уровня ложноположительных срабатываний и выявления новых угроз. Методы машинного обучения (ML) и глубокого обучения (DL) внедряются в системы IDS и демонстрируют потенциал эффективного обнаружения злоумышленников в сетях. В статье рассматриваются последние тенденции и достижения в области систем обнаружения сетевых вторжений (NIDS) на основе ML и DL, включая методологию, метрики оценки и выбор наборов данных. Особое внимание уделено исследовательским препятствиям; предложена перспективная исследовательская модель для устранения недостатков существующих методологий. Дерево решений, известное своей скоростью и удобством использования, предлагается в качестве модели для обнаружения аномалий в результатах с объединением выводов сравнительного обзора. Цель исследования — сформировать представление о построении эффективной системы обнаружения на основе дерева решений.
Key Findings
1
Деревья решений выделяются как быстрые и удобные модели для обнаружения аномалий и построения эффективной системы обнаружения вторжений.
2
Ключевые проблемы исследований IDS включают снижение числа ложных срабатываний, обнаружение новых угроз и устранение уязвимостей, выявляемых методами уклонения злоумышленников.
3
Методы машинного и глубокого обучения демонстрируют потенциал для эффективного обнаружения вторжений, однако их результативность зависит от методологии, метрик оценки и выбора наборов данных.
4
В статье рассматриваются таксономии IDS, методы обнаружения вторжений, наборы данных для оценки и стратегии уклонения злоумышленников, влияющие на сетевую безопасность.
5
Предлагается модель будущих исследований, предназначенная для преодоления методологических недостатков систем обнаружения вторжений на основе машинного и глубокого обучения.
Research Object
системы обнаружения сетевых вторжений (NIDS) на основе машинного обучения и глубокого обучения
Research Subject
эффективность обнаружения вторжений, включая точное выявление злоумышленников и новых угроз, снижение числа ложных срабатываний, устойчивость к методам уклонения и анализ аномалий на основе дерева решений
Publication Details
Publication Date
2023-01-01
Journal
Publisher
ISSN
Cited by
396
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai10
Эмпирическая оценка управляемых рекуррентных нейронных сетей для моделирования последовательностей2014
Распознавание речи с помощью глубоких рекуррентных нейронных сетей2013
DeepFool: простой и точный метод обмана глубоких нейронных сетей2016
Обзор количественной оценки неопределенности в глубоком обучении: методы, приложения и проблемы2021
Обзор систем обнаружения вторжений: методы, наборы данных и проблемы2019
Подход на основе глубокого обучения для интеллектуальной системы обнаружения вторжений2019
Конвергенция периферийных вычислений и глубокого обучения: комплексный обзор2020
Система обнаружения вторжений в сети: систематическое исследование подходов на основе машинного и глубокого обучения2020
Методы машинного и глубокого обучения для систем обнаружения вторжений: обзор2019
Оценка систем обнаружения компьютерных вторжений2015