3、Panacea：自动化攻击分类系统的性能与应用

Panacea：自动化攻击分类系统的性能与应用

1. 引言

在网络安全领域，攻击分类是一项至关重要的任务。准确的攻击分类能够帮助安全人员快速识别攻击类型，采取相应的防范措施。本文将介绍一种名为 Panacea 的自动化攻击分类系统，详细阐述其在不同数据集上的测试结果、系统性能、置信度评估以及可用性等方面的内容。

2. 不同数据集测试

2.1 DSA 测试

使用 DSA 验证方法的总体有效性，影响分类准确性的因素有三个：
- 训练期间处理的警报数量。
- 使用的 n - 元语法（n - gram）长度。
- 选择的分类算法。

测试方法采用三步法：
1. 确定训练所需的足够样本数量。样本太少会导致分类不准确，而样本过多后增加信息的收益可能变小。
2. 确定最佳的 n - gram 长度。短的 n - gram 可能在许多攻击有效负载中共享，攻击多样性差；长的 n - gram 在攻击有效负载中不太常见，难以对不包含足够长 n - gram 的新攻击进行分类。
3. 分析分类算法的工作情况，包括整体分类准确率和按类别的准确率。

为避免选择特定攻击带来的偏差，随机选择子集中的警报，并进行多次试验（五次），计算平均准确率。

<

# samples	SVM（n - gram length）				RIPPER（n - gram length）