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。其中，拒绝服务（DoS）攻击最为常见，而像端口扫描这类看似无害的探测攻击，也可能引发更危险的特权升级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类为安全或有害。为保护数据安全，入侵检测系统（IDS）应运而生，它能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通过数据库中的签名识别已知攻击，但对新攻击往往无能为力；A - IDS则通过建立正常网络行为模式来识别未知网络是否为入侵，但误报率较高。因此，机器学习成为解决这一问题的理想方案。

目前，现有的入侵检测系统在同时提高检测速度和准确性方面面临挑战，缺乏切实可行的解决方案。为应对这一问题，研究采用机器学习结合深度学习算法来检测网络威胁。

2. 相关研究

过去，在入侵检测系统领域，众多研究者运用机器学习算法开展了大量工作：
- 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，基于深度信念网络和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，使用KDD Cup’99数据集进行训练。
- Haq团队在2015年的研究中，对分类器设计进行了统计比较，采用了单一、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