3、基于机器学习的网络入侵检测系统研究与实践

基于机器学习的网络入侵检测系统研究与实践

1. 入侵检测方法分类

入侵检测方法通常可分为以下几类：
- 基于误用或特征的入侵检测（Signature - based IDs） ：依赖已知的流量数据来分析潜在的有害流量。
- 基于异常的入侵检测（Anomaly - based IDs） ：查看网络流量模式，检测数据是否有效、错误或存在异常。主要用于检测未知的无关流量，能够检测出格式错误的IP数据包。

2. 相关研究工作

不同学者在入侵检测领域开展了多项研究：
|研究人员|研究内容|
| ---- | ---- |
|Buczak等|探讨数据挖掘和机器学习方法在网络安全入侵检测中的应用，指出因流量大，数据包处理可能无法达到流处理速度|
|Teodoro等|关注基于异常的网络入侵技术，提出统计、基于知识和机器学习方法，但未涵盖所有先进的机器学习方法|
|Ahsan等|开发了一种新型随机神经网络（RNN）用于实时认知系统设计，将RNN与遗传算法集成以实现实时决策|
|Jingping|研究基于支持向量机（SVM）的异常网络入侵检测，通过提取和优化训练特征，使用Kullback - Leibler（KL）散度和交叉相关训练SVM，最佳OSR为99.47%|
|Hinton|提出基于过滤特征工程的深度学习方法用于无线入侵检测系统，使用前馈深度神经网络（FFDNN）处理NSL - KDD数据集，证明FFDNN - IDS具有更高的准确性|

3. 提出的系统