29、基于机器学习的网络威胁检测研究

基于机器学习的网络威胁检测研究

1. 引言

如今，人们高度依赖互联网完成各种必要任务。随着互联网用户数量的增加，网络攻击事件也日益增多。常见的攻击类型包括拒绝服务（DoS）攻击、探测攻击（如端口扫描），这些看似无害的攻击可能会演变成更危险的攻击，如权限提升攻击或远程访问攻击。

威胁检测本质上是一个分类问题，系统需要将数据包分为安全或有害两类。为了保护数据安全，人们开发了入侵检测系统（IDS），用于监控和分析网络中的数据流，以识别入侵行为。IDS主要分为基于签名的IDS（S - IDS）和基于异常的IDS（A - IDS）。S - IDS通过数据库中存储的签名来识别网络威胁，能检测已知攻击，但对新攻击无能为力；A - IDS则通过创建正常网络行为模式来识别未知网络是否为入侵，但存在较高的误报率。因此，机器学习成为解决这一问题的理想方案。

2. 相关研究

在入侵检测系统领域，许多研究已经运用了机器学习算法：
- 2013年，Omar Salima团队从特征提取、分类器构建和序列模式预测三个角度分析了基于机器学习的IDS面临的技术挑战。
- Qu等人在2017年的研究中，使用深度信念网络和NSL KDD数据集构建了IDS模型，并将长短期记忆（LSTM）架构应用于RNN，采用KDD Cup’99数据集进行训练。
- Haq团队在2015年的研究中，通过统计比较展示了分类器设计，使用了单一、混合和集成算法。
- Hamid等人在2016年使用Weka中的不同机器学习方法处理KDD CUP 99数据集，采用十折交叉验证评估模型性能。
- Costa等人在2019年的研究中，使用新的和传统的机器学习算法处理物联网环境中的