A Comparative Study of Intrusion Detection Models for DDoS and Brute Force Attack Detection Using Public Cybersecurity Datasets
Deze studie stelt een op machine learning gebaseerd intrusiedetectiesysteem voor met behulp van de CICIDS2017-dataset om DDoS- en Brute Force-aanvallen te detecteren, waarbij wordt aangetoond dat het XGBoost-algoritme Random Forest en ANN overtreft door een nauwkeurigheid van bijna 99,9975% en andere belangrijke metrieken te bereiken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je het internet voor als een enorme, bruisende stad waar miljarden mensen, apparaten en diensten constant met elkaar praten. In deze digitale metropool zijn er altijd onruststokers die chaos proberen te veroorzaken. Sommige van deze onruststokers zijn als een enorme menigte die een specifieke straat zo vol laat stromen met mensen dat niemand anders er meer doorheen kan; dit wordt een DDoS-aanval genoemd. Anderen zijn als een zakkenroller die elke sleutel in een enorme ring probeert om de ene te vinden die een vergrendelde deur opent; dit is een Brute Force-aanval.
Om de stad veilig te houden, hebben we beveiligingsbewakers genaamd Intrusion Detection Systems (IDS). Lange tijd werkten deze bewakers als uitsmijters met een "Gezocht"-poster. Ze konden criminelen alleen vangen als het gezicht van de crimineel al op de poster stond. Als er een nieuwe crimineel in vermomming opdook, wist de uitsmijter niet dat hij hem moest stoppen. Om dit te verbeteren, begonnen wetenschappers deze bewakers slimmer te maken. In plaats van alleen gezichten te onthouden, leerden ze de bewakers om te leren van het gedrag van de menigte. Ze gebruikten Machine Learning, een type computerbrein dat miljoenen voorbeelden van "goed" verkeer en "slecht" verkeer bestudeert totdat het de sluwe patronen van een nieuwe crimineel helemaal zelfstandig kan herkennen. De grote vraag is: welk soort slim brein werkt het best bij het vangen van deze digitale onruststokers?
Dit artikel zet uit om het antwoord te vinden door drie verschillende soorten "slimme breinen" op de proef te stellen. De onderzoekers gebruikten een enorme, realistische bibliotheek van digitale verkeersgegevens genaamd CICIDS2017, die miljoenen voorbeelden bevat van normale internetactiviteit gemengd met diverse aanvallen. Ze trainden drie specifieke machine learning-modellen op deze gegevens: Random Forest, XGBoost en een Artificial Neural Network (ANN). Je kunt Random Forest zien als een commissie van veel verschillende detectives, die elk naar de aanwijzingen kijken en stemmen over wie de boef is. XGBoost is als een detective die leert van zijn eigen fouten, en telkens wanneer hij een aanwijzing fout krijgt, bouwt hij een nieuwe strategie op totdat hij perfect is. Het Artificial Neural Network is gemodelleerd naar het menselijk brein, met lagen van verbindingen die proberen complexe patronen te ontdekken, hoewel het een beetje gevoelig kan zijn voor hoe de aanwijzingen worden gepresenteerd.
De onderzoekers onderwierpen deze drie modellen aan dezelfde strenge training en testen om te zien welk model DDoS- en Brute Force-aanvallen het meest nauwkeurig kon opsporen. De resultaten waren ongelooflijk indrukwekkend. Alle drie de modellen waren uitstekend in hun werk, maar XGBoost kwam als de duidelijke kampioen uit de bus. In de tests behaalde XGBoost een verbluffende score van 99,9975% voor nauwkeurigheid, precisie, recall en F1-score. Dit betekent dat het bijna elke aanval correct identificeerde en bijna nooit een fout maakte. Random Forest was een zeer goede tweede en presteerde bijna even goed, terwijl het Artificial Neural Network ook erg goed was maar iets lager scoorde, rond de 99,9550%. De studie suggereert dat de lichte daling in de prestaties van het Neural Network kan komen door de gevoeligheid voor hoe de data wordt voorbereid, terwijl de boom-gebaseerde modellen zoals XGBoost en Random Forest de data natuurlijker afhandelden.
Uiteindelijk concludeert het artikel dat voor het vangen van deze specifieke soorten cyberaanvallen, de "commissie"-stijl van Random Forest en de "leren van fouten"-stijl van XGBoost de meest betrouwbare instrumenten zijn. De studie vond ook dat de modellen de meeste aandacht besteedden aan specifieke details over hoe datapakketjes achterwaarts door het netwerk bewogen, wat suggereert dat de manier waarop data naar een verzender terugkeert een enorme aanwijzing is voor het opsporen van problemen. Hoewel de onderzoekers opmerken dat deze resultaten gebaseerd zijn op een specifieke dataset en niet op live, real-time internetverkeer, suggereren de bevindingen sterk dat deze ensemble learning-methoden zeer effectief zijn en de bescherming van onze digitale steden in de toekomst aanzienlijk kunnen verbeteren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.