10、基于机器学习的入侵检测系统综述

基于机器学习的入侵检测系统综述

1. 引言

随着科技的发展，世界对通信设备和传感器的依赖程度日益加深。传感器数据以约 13%的速度增长，预计到 2020 年将占整个数据通信的 35%。互联网流量也从 2016 年的约 10GB 平均增加到 30GB。设备、收集的数据和相关服务的增加促使网络攻击率上升，因此设计能够抵御网络漏洞和安全威胁的强大工具变得至关重要，网络安全的重要性也日益凸显。

入侵检测系统（IDS）旨在监控网络流量，分析是否发生安全违规，检测异常和入侵行为。目前大多数 IDS 分类仅基于单一特征，如可能使用的机器学习算法、IDS 的独特属性或设计特征等。本次综述将从以下三个方面对入侵检测系统进行探讨：
- 对 IDS 设计分类的调查
- 对 IDS 实现的调查
- 对 IDS 研究工作的时间顺序调查

2. IDS 设计分类调查

IDS 的一般属性包括其角色、提供的输出信息、要求和用途。当发生入侵时，IDS 会记录相关信息，这些记录结果可用于网络专家的进一步分析，以防止漏洞并用于 IDS 自身的训练。同时，IDS 应触发受影响系统的威胁检测警报，帮助授权用户采取纠正措施并减轻威胁。有效的 IDS 必须具备缓解功能，以应对威胁。

IDS 提供给最终用户的输出信息对于分析至关重要，必须包括入侵者识别、位置、入侵时间、入侵层（如 OSI 层）、入侵活动（攻击类型）和入侵类型等。入侵者的识别通常使用用户凭据和互联网协议地址。

一个有效的 IDS 应具有高检测率和低误报率，同时还应考虑低资源消耗、吞吐量、透明度和系统安全性等因素。在部署 IDS 之前，必须应用评估方法，如修复 IDS 中的