15、利用生成对抗网络扩展网络攻击数据及IT员工工作环境与创造力研究

利用生成对抗网络扩展网络攻击数据及IT员工工作环境与创造力研究

一、生成对抗网络在网络攻击数据扩展中的应用

在网络安全研究领域，数据集的平衡性对于机器学习模型的训练至关重要。本文主要探讨了利用生成对抗网络（GAN）来平衡网络攻击数据集的相关研究。

（一）研究背景与目的

研究的主要目的是确定GAN是否能够用于平衡数据集。KDD99数据集虽然年代较久，可能无法反映当前网络攻击的现状，但它在机器学习应用中被广泛使用，并且其网络流量数据的存储格式仍可用于构建新的数据集。通过生成逼真的攻击数据并平衡数据集，这项研究成果有望应用于更现代的网络攻击数据集，对所有受不平衡数据集困扰的机器学习领域，包括网络安全机器学习研究都具有重要意义。

（二）数据集选择

选择KDD99数据集的原因在于其规模大，且已在机器学习应用中得到验证。该数据集用于第三届国际知识发现和数据挖掘工具竞赛，任务是构建网络入侵检测器和预测模型，以区分“不良”连接（入侵或攻击）和“良好”的正常连接。它包含超过500万个数据点，涵盖正常网络流量数据以及诸如Neptune和Smurf等攻击类型。KDD99数据集的攻击类型分为四大类：
| 攻击类别 | 攻击名称 | 数量 |
| ---- | ---- | ---- |
| DoS | back, land, neptune, pod, smurf | 388,2391 |
| R2L | ftp_write, guess_passwd, imap, multihop, phf, spy, warezclient, warezmaster | 1126 |
| U2R | buffer_ov