Machine learning-based zero-day attack detection using deep reinforcement learning

doi:10.1080/19393555.2026.2632663

Machine learning-based zero-day attack detection using deep reinforcement learning

2026-03-01

0

PRE

AI

DOI：10.1080/19393555.2026.2632663

原文链接

原文求助

摘要

En 中文

零日攻击利用之前未检测到的漏洞，因此不会对现有的基于签名的入侵检测系统构成问题，因为它们缺乏已建立攻击模式。尽管基于机器学习的检测有所改进，但当前方法不够灵活以应对新威胁，且存在高误报率。本文提出了一种深度强化学习（DRL）框架，将零日攻击检测系统设计为马尔可夫决策过程（MDP），支持自适应学习而无需使用任何攻击签名。我们应用并比较了三种DRL算法——深度Q网络（DQN）、近端策略优化（PPO）和优势演员-评论家（A2C），并结合了一种新的特征工程方法，该方法将主成分分析与信息增益选择相结合。该框架在多种基准数据集（NSL-KDD、CICIDS2017、CIC-AndMal2017）以及本研究背景下专门创建的零日攻击数据集上进行了测试。大部分实验结果表明，DQN模型在先前未见攻击中达到91.7%的准确率和83.4%的检测率，分别比传统机器学习和深度学习基线高出14.7%和8.9%。消融研究显示，探索策略在零日检测中发挥关键作用，其移除导致检测率下降10.2%。所提出的框架在面对不同类型攻击时提供了更大的灵活性，同时保持了比传统方法更低的误报率（8.2%）。本研究通过证明DRL是动态网络环境中检测未知威胁的有用范式，为网络安全防御功能的发展做出了贡献。

Keyword:

Cybersecurity

deep reinforcement learning

intrusion detection

network security

zero-day attack detection

Machine learning-based zero-day attack detection using deep reinforcement learning

摘要

期刊

机构

引用论文