A Comparative Study of Intrusion Detection Models for DDoS and Brute Force Attack Detection Using Public Cybersecurity Datasets
本研究提出了一种基于机器学习的入侵检测系统，利用 CICIDS2017 数据集来检测 DDoS 和暴力破解攻击，并证明了 XGBoost 算法通过实现近 99.9975% 的准确率及其他关键指标，其表现优于随机森林和人工神经网络（ANN）。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网就像一座规模宏大、繁忙喧嚣的城市，数十亿的人、设备和服务在这里不断地相互交流。在这座数字大都市中，总有一些试图制造混乱的捣蛋鬼。其中一些捣蛋鬼就像是一场巨大的暴动，涌入特定的街道，导致人满为患，让其他人无法通行；这被称为 DDoS 攻击。另一些则像是小偷，试图用一串巨大的钥匙尝试每一把，试图找到能打开锁着的门的那一把；这就是 暴力破解攻击（Brute Force attack）。
为了保障这座城市的安全，我们配备了被称为 入侵检测系统（IDS） 的保安。长期以来，这些保安的工作方式就像是拿着“通缉令”的保镖。他们只能在罪犯的面孔已经出现在通缉令上时才能抓住他们。如果出现了一个乔装打扮的新罪犯，保镖就无法识别并阻止他们。为了解决这个问题，科学家们开始教导这些保安变得更加聪明。他们不再只是让他们死记硬背面孔，而是教导他们通过观察人群的行为来进行学习。他们使用了 机器学习（Machine Learning），这是一种通过研究数百万个“正常”流量和“异常”流量的案例，直到能够自主识别出新罪犯的隐蔽模式的计算机大脑。现在的大问题是：哪种类型的“聪明大脑”在捕捉这些数字捣蛋鬼方面表现得最好？
本论文旨在通过测试三种不同类型的“聪明大脑”来寻找答案。研究人员使用了一个大规模且真实的数字流量记录库，称为 CICIDS2017，其中包含了数百万个正常互联网活动与各种攻击交织在一起的示例。他们利用这些数据训练了三种特定的机器学习模型：随机森林（Random Forest）、XGBoost 以及 人工神经网络（ANN）。你可以将 随机森林 理解为一个由许多不同侦探组成的委员会，每个侦探都在观察线索并对谁是坏人进行投票。XGBoost 则像是一位会从自身错误中学习的侦探，每当他弄错一个线索时，就会构建一套新的策略，直到达到完美。人工神经网络 是模仿人类大脑构建的，拥有试图理清复杂模式的连接层，尽管它可能对线索呈现的方式较为敏感。
研究人员对这三种模型进行了同样严格的训练和测试，以观察哪一个能最准确地识别出 DDoS 和 暴力破解 攻击。结果令人印象深刻。这三种模型都非常出色，但 XGBoost 脱颖而出成为了冠军。在测试中，XGBoost 达到了惊人的 99.9975% 的准确率（accuracy）、精确率（precision）、召回率（recall）和 F1 分数（F1-score）。这意味着它几乎正确识别了每一次攻击，且几乎从未出错。随机森林 位居第二，表现也非常接近，而 人工神经网络 虽然也很优秀，但得分略低，落在 99.9550% 左右。研究表明，神经网络性能的轻微下降可能是因为它对数据的预处理方式非常敏感，而像 XGBoost 和随机森林这样的基于树的模型处理数据时则更加自然。
最终，论文得出结论：对于捕捉这些特定类型的网络攻击，随机森林的“委员会”风格和 XGBoost 的“从错误中学习”风格是最可靠的工具。研究还发现，这些模型对数据包在网络中向后移动的特定细节给予了最多的关注，这表明数据返回发送者的方式是识别麻烦的重要线索。虽然研究人员指出，这些结果是基于特定数据集而非实时、在线的互联网流量，但研究结果有力地表明，这些集成学习方法是非常有效的，并能在未来显著提升我们保护数字城市的能力。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。