.png){kind=icon}
返回
Detect, Decide, Explain: An Intelligent Framework for Zero-Day Network Attack Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-11442-6_1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络流量的日益复杂性和多样性使得对前所未见的网络攻击的检测成为一个关键挑战。尽管监督学习模型在已知威胁上表现良好，但它们往往难以泛化到新型攻击类型。在前期工作中，我们引入了未知网络攻击检测器（UNAD），这是一种基于无监督集成框架的模型，仅使用良性流量进行训练以检测异常。本文提出了UNAD的改进版本，称为UNAD+，它包含三项关键改进。首先，引入加权多数投票（WMV）机制替代多数投票，以优先考虑更强的检测器并消除模糊预测。其次，引入监督精炼阶段，使用伪标签异常训练次级分类器，以提高检测精度并减少误报。第三，添加了事后可解释性层，结合LIME和代理树建模，以提供系统决策的局部和全局可解释性。在CICIDS2017和NSL-KDD上的评估表明，与原始UNAD基线相比，UNAD+显著提高了检测性能，F1分数最高达到98.25%，误报率降低了98%以上，同时通过集成可解释性增强了透明度和操作适用性。
Keyword:
Network Intrusion Detection
Anomaly Detection
Unsupervised algorithms
期刊
A
IF:
0
论文数:
38
被引数:
0
机构
引用论文
From Intrusion Detection to Attacker Attribution: A Comprehensive Survey of Unsupervised Methods从入侵检测到攻击者归因: 无监督方法的综合考察
OAAI
OAAI分享收藏"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Explaining individual predictions when features are dependent: More accurate approximations to Shapley values当特征依赖时解释单个预测: 更准确地逼近Shapley值OAAI
OAAI分享收藏Overfitting in Machine Learning: A Comparative Analysis of Decision Trees and Random Forests机器学习中的过拟合：决策树与随机森林的比较分析
PREAI
分享收藏A Survey of Ensemble Learning: Concepts, Algorithms, Applications, and Prospects集成学习综述: 概念、算法、应用与展望IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏An enhanced ensemble defense framework for boosting adversarial robustness of intrusion detection systems一种增强型集成防御框架，用于提升入侵检测系统的对抗鲁棒性SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容