文章主要内容总结
- 研究背景:现有基于深度学习的网络入侵检测系统(NIDS)虽性能优异,但缺乏可解释性,传统可解释AI技术(如SHAP)存在依赖机器学习知识、仅关注统计异常、缺乏上下文信息等局限;大型语言模型(LLMs)在网络安全领域的可解释性应用尚未充分探索,且直接使用易出现幻觉(生成不实信息)和误解释。
- 核心框架:提出eX-NIDS框架,作为现有NIDS的补充工具,通过“Prompt Augmenter”模块提取恶意流的上下文信息(如NetFlow规范、IP地址相关知识、协议标识)和网络威胁情报(CTI),丰富LLM的输入提示,生成更准确的自然语言解释。
- 基线对比:与“Basic-Prompt Explainer”基线(仅输入恶意流数据和基础指令)对比,eX-NIDS通过增强提示提升了解释质量。
- 实验评估:使用Llama 3和GPT-4模型,在NF-CSE-CIC-IDS2018-v2数据集上,从“解释正确性”“特征一致性”“事实一致性”三个维度评估。结果显示,eX-NIDS使性能提升超20%,其中GPT-4表现更优(平均性能达90.66%)。
- 结论与展望:LLMs可作为NIDS的有效补充,增强提示能显著提升解释质量;未来需通过用户研究评估实际效用,提升LLMs对网络流量的理解能力,并对比传统规则算法的解释效果。
创新点
- 提出eX-NIDS框架
订阅专栏 解锁全文



被折叠的 条评论
为什么被折叠?



