16、基于网络机器学习的网络攻击预测框架

基于网络机器学习的网络攻击预测框架

1. 研究背景与现状

在医疗领域，数据安全至关重要。目前，医疗行业仍面临着诸多网络安全威胁，如恶意软件、数据盗窃、钓鱼攻击等。为了保护医疗数据，基于网络物理系统（CPS）的网络机器学习（Cyber ML）模型正在被开发。

1.1 相关研究成果

• DDoS攻击检测 ：Dan Tang等人开发了一种基于互联网流量各种特征的DDoS攻击检测方法，结合了增强的AdaBoost方法（MF - AdaBoost）。他们构建了一个包含网络特征的网络特征收集器，从互联网流量中提取最有用的信息，同时减少传输的数据量。该方法利用AdaBoost算法进行分类，能够有效检测分布式拒绝服务（DDoS）攻击。
• 伪装攻击识别 ：SEO JIN等人使用深度自动编码器和知识提取技术来识别伪装攻击（IMPACT）。通过分层自动编码器（SAE）和C4.8层提取特征，在能量平台上进行深度学习。使用Aegean Wi - Fi中断数据进行训练，检测效率达到98.22%，检测率为97.6%，误报率为1.2%。
• 医疗CPS签名方案 ：Xu等人针对医疗CPS开发了基于NTRU网格的无证书签名方案（CLS），该方案对量子攻击具有较强的抵抗力，且同步和评估成本低于现有的两个竞争量子弹性系统。
• 基于信心的入侵检测 ：Meng等人开发了一种基于信心的入侵检测技术（TBIDA），通过测量两个行为模式在欧几里得空间中的差异来评估节点的声誉。在真实的MSN环境中测试，该技术在识别恶