A Comparative Study of Intrusion Detection Models for DDoS and Brute Force Attack Detection Using Public Cybersecurity Datasets
Diese Studie schlägt ein auf maschinellem Lernen basierendes Intrusion-Detection-System unter Verwendung des CICIDS2017-Datensatzes zur Erkennung von DDoS- und Brute-Force-Angriffen vor und zeigt auf, dass der XGBoost-Algorithmus durch das Erreichen von nahezu 99,9975 % Genauigkeit sowie anderer Schlüsselmetriken Random Forest und ANN übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Internet als eine riesige, geschäftige Stadt vor, in der Milliarden von Menschen, Geräten und Diensten ständig miteinander kommunizieren. In dieser digitalen Metropole gibt es immer wieder Unruhestifter, die versuchen, Chaos zu stiften. Einige dieser Unruhestifter sind wie eine riesige Menge, die eine bestimmte Straße mit so vielen Menschen überflutet, dass niemand sonst mehr durchkommt; dies wird als DDoS-Angriff bezeichnet. Andere sind wie ein Taschendieb, der jeden einzelnen Schlüssel an einem riesigen Ring ausprobiert, um den einen zu finden, der eine verschlossene Tür öffnet; dies ist ein Brute-Force-Angriff.
Um die Stadt sicher zu halten, gibt es Sicherheitskräfte namens Intrusion Detection Systems (IDS). Lange Zeit arbeiteten diese Wachen wie Türsteher mit einem „Wanted“-Plakat. Sie konnten Verbrecher nur dann fassen, wenn das Gesicht des Verbrechers bereits auf dem Plakat stand. Wenn ein neuer Verbrecher in einer Verkleidung auftauchte, wusste der Türsteher nicht, dass er ihn stoppen musste. Um dies zu verbessern, begannen Wissenschaftler, diese Wachen klüger zu machen. Anstatt nur Gesichter auswendig zu lernen, brachten sie den Wachen bei, aus dem Verhalten der Menge zu lernen. Sie nutzten Maschinelles Lernen, eine Art Computergehirn, das Millionen von Beispielen von „gutem“ und „schlechtem“ Datenverkehr studiert, bis es die heimlichen Muster eines neuen Verbrechers ganz allein erkennen kann. Die große Frage ist: Welche Art von klugem Gehirn arbeitet am besten, um diese digitalen Unruhestifter zu fangen?
Diese Arbeit setzt sich zum Ziel, die Antwort zu finden, indem sie drei verschiedene Arten von „klugen Gehirnen“ einem Test unterzieht. Die Forscher verwendeten eine massive, realistische Bibliothek digitaler Verkehrsdaten namens CICIDS2017, die Millionen von Beispielen normaler Internetaktivität gemischt mit verschiedenen Angriffen enthält. Sie trainierten drei spezifische Modelle des maschinellen Lernens mit diesen Daten: Random Forest, XGBoost und ein künstliches neuronales Netz (ANN). Man kann sich Random Forest als ein Komitee aus vielen verschiedenen Detektiven vorstellen, von denen jeder die Hinweise prüft und darüber abstimmt, wer der Bösewicht ist. XGBoost ist wie ein Detektiv, der aus seinen eigenen Fehlern lernt und bei jedem falschen Hinweis eine neue Strategie entwickelt, bis er perfekt ist. Das künstliche neuronale Netz ist dem menschlichen Gehirn nachempfunden, mit Schichten von Verbindungen, die versuchen, komplexe Muster zu entschlüsseln, obwohl es etwas empfindlich darauf reagieren kann, wie die Hinweise präsentiert werden.
Die Forscher unterzogen diese drei Modelle demselben strengen Training und Test, um zu sehen, welches Modell DDoS- und Brute-Force-Angriffe am genauesten erkennen kann. Die Ergebnisse waren unglaublich beeindruckend. Alle drei Modelle waren exzellent in ihrer Arbeit, aber XGBoost ging als klarer Champion hervor. In den Tests erreichte XGBoost eine atemberaubende Genauigkeit, Präzision, Trefferquote (Recall) und einen F1-Score von 99,9975 %. Das bedeutet, dass es fast jeden einzelnen Angriff korrekt identifizierte und fast nie einen Fehler machte. Random Forest war ein sehr enger Zweiter und schnitt fast genauso gut ab, während das künstliche neuronale Netz ebenfalls sehr gut war, aber mit etwa 99,9550 % etwas niedriger punktete. Die Studie deutet darauf hin, dass der leichte Rückgang in der Leistung des neuronalen Netzes darauf zurückzuführen sein könnte, dass es sehr empfindlich auf die Aufbereitung der Daten reagiert, während die baumbasierten Modelle wie XGBoost und Random Forest die Daten natürlicher verarbeiteten.
Letztendlich kommt die Arbeit zu dem Schluss, dass für das Erfassen dieser spezifischen Arten von Cyberangriffen der „Komitee“-Stil von Random Forest und der „Lernen-aus-Fehlern“-Stil von XGBoost die zuverlässigsten Werkzeuge sind. Die Studie fand auch heraus, dass die Modelle am meisten auf spezifische Details darüber achteten, wie Datenpakete rückwärts durch das Netzwerk bewegten, was darauf hindeutet, dass die Art und Weise, wie Daten zum Absender zurückkehren, ein entscheidender Hinweis zur Erkennung von Unruhen ist. Während die Forscher anmerken, dass diese Ergebnisse auf einem spezifischen Datensatz basieren und nicht auf dem Live-Verkehr des echten Internets, legen die Erkenntnisse nahe, dass diese Ensemble-Learning-Methoden hocheffektiv sind und die Art und Weise, wie wir unsere digitalen Städte in der Zukunft schützen, erheblich verbessern könnten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.