基于决策树的智能网络安全入侵检测模型

申明&＃xff1a; 未经许可&＃xff0c;禁止以任何形式转载&＃xff0c;若要引用&＃xff0c;请标注链接地址。 全文共计4077字&＃xff0c;阅读大概需要3分钟
更多学习内容&＃xff0c; 欢迎关注我的个人公众号&＃xff1a;不懂开发的程序猿

1. An intelligent tree-based intrusion detection model for cyber security
   (一种基于决策树的智能网络安全入侵检测模型)

2. 一种基于图模型的网络攻击溯源方法

An intelligent tree-based intrusion detection model for cyber security

(一种基于决策树的智能网络安全入侵检测模型)

基于树的分类模型可以预测特定的网络活动是“正常”还是“攻击”。在树的每个节点上做出决策&＃xff0c;直到到达叶节点。数据点的类别&＃xff08;即正常或攻击&＃xff09;在叶节点中确定。换句话说&＃xff0c;树节点代表一个特征&＃xff0c;每条边或分支代表根据每个特征获得的信息做出的决策&＃xff0c;每个叶子代表一个类。

该模型旨在提高预测精度并降低计算复杂度。

考虑到安全特征的排序和选择的基于树的入侵检测模型是重点&＃xff0c;可以提高预测精度并最小化计算的复杂性

高维的安全特征时&＃xff0c;过拟合的高方差、高复杂性和低预测精度是基于树的模型的常见限制

该论文模型

关于上图模型中的序号说明

1. UNSW-NB 15数据集&＃xff0c;由 42 个不包括类别标签的特征组成&＃xff08;即 0 表示正常记录&＃xff0c;1 表示攻击记录&＃xff09;
2. 数据集中的所有特征都被缩放&＃xff08;即标准化&＃xff09;

One Hot Encoding编码&＃xff0c;使用的是python的sklearn 库函数的LabelEncoder 编码器

3.采用的是Gini 指数计算数据的特征值的熵&＃xff0c;最后算出排序&＃xff0c;选择阈值 0.02&＃xff0c;特征数量减少到 19 个&＃xff0c;降低了时间处理和过度拟合方面的计算复杂性

4.实验一、训练论文的分类器效果
5.实验二、在相同的环境相同的数据集下&＃xff0c;对比于传统的ML model &＃xff1a;k-NN&＃xff0c; SVM&＃xff0c;LR&＃xff0c;NB

下载数据集

UNSW-NB15数据集https://research.unsw.edu.au/projects/unsw-nb15-dataset

加载数据集&＃xff0c;

报错&＃xff1a;数据类型不匹配&＃xff0c;由于数据是’String’型的&＃xff0c;需要将’String’型转化float数值型

进行矩阵运算时涉及的矩阵维度太大&＃xff0c;由于没有好一点儿的服务器&＃xff0c;我本机电脑分配的内存不够用&＃xff0c;加载不了&＃xff0c;模型训练不了。

一种基于图模型的网络攻击溯源方法

对于减轻混合SDN中地址欺骗攻击设想&＃xff0c;采用VLANs的划分出多个虚拟局域网&＃xff0c;把地址欺骗攻击限制在一个VLAN中

首先通过手动配置Open- vSwitch的VLAN&＃xff0c; 实现VLAN的标记。

上图网络拓扑中描绘了两个VLAN(VID 10、20 ),每个交换机有一个主机成员。每个交换机的两个端口需要配置为各自VLAN的接入端口&＃xff0c;第三个端口必须配置为中继端口&＃xff0c;允许两个VLAN(10、20)通过。主机H1和H3位于eth-1&＃xff0c;H2和H4位于eth-2

用于将端口配置为接入端口或中继端口的OVS命令如下&＃xff1a;

将端口配置为接入端口&＃xff0c;并用VID &＃61; vlan标记传入数据包&＃xff1a;

ovs-vsctl set port [port] tag &＃61; vlan


将端口配置为中继端口&＃xff0c;允许VIDs&＃61; vlan1、vlan2通过&＃xff1a;

ovs-vs CTL set port[port]trunks &＃61; VLAN 1&＃xff0c;vlan2


同时必须向对应于传统L2交换的交换机添加流条目(action&＃61; "NORMAL ")&＃xff0c;以便学习必要的MAC地址&＃xff0c;并将分组转发出正确的端口。

一旦上述流条目被添加到两台交换机&＃xff0c;我们就可以验证主机之间的ping可达性。

对于流动作&＃xff0c;在RYU开放流1.3协议API 中提供了专门的类进行VLAN标签的标记&＃xff0c;匹配&＃xff0c;取消标记&＃xff0c;如下所列

标记&＃xff1a;OFPActionPushVlan(ether type &＃61; 33024&＃xff0c;type &＃61;None&＃xff0c;len&＃61;None):将新的Vlan标签推入数据包&＃xff0c;默认VID &＃61; 0

取消标记&＃xff1a;OFPActionPopVlan(type&＃61;None&＃xff0c;len&＃61;None):删除最外层的Vlan标记

匹配&＃xff1a;of match(VLAN _ VID &＃61; 0x 1000 | " VID "):匹配包含VID &＃61; "vid "(整数值)的标记数据包。

实验的前提是&＃xff0c;网络拓扑已知且没有环路&＃xff0c;采用的是基于端口的VLANs分类

拓扑如下&＃xff1a;

“黄色”路由器显示的节点不支持VLAN&＃xff0c;因此不会生成任何“标记”流量。所以H1和H6不属于任何VLAN。但是它们的流量在到达目的节点之前需要通过VLAN感知交换机进行中继。通过实施这种拓扑&＃xff0c;我们可以模拟在大型网络中&＃xff0c;使用VLANs设计和划分一个小型子网来减轻地址欺骗攻击&＃xff0c;

流程如下&＃xff1a;

参考论文&＃xff1a;

[1] Al-Omari M, Rawashdeh M, Qutaishat F, et al. An intelligent tree-based intrusion detection model for cyber security[J]. Journal of Network and Systems Management, 2021, 29(2): 1-18.

[2] 黄克振, 连一峰, 冯登国, 等. 一种基于图模型的网络攻击溯源方法[J]. Journal of Software, 2021, 33(2): 683-698.

[6] R. Vinayakumar, K. P. Soman and P. Poornachandran, “Applying convolutional neural network for network intrusion detection,” 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017, pp. 1222-1228, doi: 10.1109/ICACCI.2017.8126009.

[7] R. Vinayakumar, M. Alazab, K. P. Soman, P. Poornachandran, A. Al-Nemrat and S. Venkatraman, “Deep Learning Approach for Intelligent Intrusion Detection System,” in IEEE Access, vol. 7, pp. 41525-41550, 2019, doi: 10.1109/ACCESS.2019.2895334.

[8] R. Vinayakumar, K. P. Soman and P. Poornachandran, “Evaluating effectiveness of shallow and deep networks to intrusion detection system,” 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017, pp. 1282-1289, doi: 10.1109/ICACCI.2017.8126018.

综述/调查&＃xff1a;

[3] A. L. Buczak and E. Guven, “A Survey of Data Mining and Machine Learning Methods for Cyber Security Intrusion Detection,” in IEEE Communications Surveys & Tutorials, vol. 18, no. 2, pp. 1153-1176, Secondquarter 2016, doi: 10.1109/COMST.2015.2494502.

[4] P. Mishra, V. Varadharajan, U. Tupakula and E. S. Pilli, “A Detailed Investigation and Analysis of Using Machine Learning Techniques for Intrusion Detection,” in IEEE Communications Surveys & Tutorials, vol. 21, no. 1, pp. 686-728, Firstquarter 2019, doi: 10.1109/COMST.2018.2847722.

[5] A. Nisioti, A. Mylonas, P. D. Yoo and V. Katos, “From Intrusion Detection to Attacker Attribution: A Comprehensive Survey of Unsupervised Methods,” in IEEE Communications Surveys & Tutorials, vol. 20, no. 4, pp. 3369-3388, Fourthquarter 2018, doi: 10.1109/COMST.2018.2854724.

–end–