4、基于机器学习的拒绝服务攻击入侵检测系统

基于机器学习的拒绝服务攻击入侵检测系统

1. 引言

网络入侵或网络攻击会阻碍系统或计算机网络的正常运行。为解决这一问题，入侵检测系统（IDS）应运而生，它能监测、检测并防范网络或系统中的可疑活动。若使用机器学习分类器对IDS模型进行训练和测试，可使IDS更为有效，因为机器学习有助于从大量数据中获取有价值的信息。近年来，人们尝试构建基于机器学习的高效IDS来应对大规模攻击，如拒绝服务（DoS）攻击，但现有工作仍存在一些局限性。

2. 提出的工作

2.1 工作目标

旨在提出一种基于机器学习的DoS攻击IDS模型。为实现这一目标，工作分为两部分：
- 基于样本数据集对机器学习IDS进行类模型比较，以确定针对DoS攻击的“最佳类模型”。
- 利用“最佳类模型”的最优属性，为基于机器学习的DoS攻击IDS提出一个模型。

2.2 工作方法

实现目标的步骤如下：
1. 选择NSL - KDD作为样本数据集。
2. 选择Weka工具进行实验。
3. 对数据集文件（训练和测试）进行预处理，去除无关攻击类，如Probe、User to Root（U2R）和Remote to Local（R2L）。
4. 为每个属性组组合生成14个新的数据集文件（训练和测试）。
5. 使用随机树作为二元分类器，用数据集文件对模型进行训练和测试，将实例分类为正常或攻击。
6. 根据性能指标比较15个模型的实验结果。
7. 选择性能最佳的“最佳类模型”进行属性选择。
8. 在“最佳类模型”的数据集文件中应用基于相关性的特征选择（CFS）、信息增益（IG