Learning yordamida tarmoq hujumlarini erta aniqlash
Download 168.19 Kb.
|
Tar 2201.11628
segmentatsiya tezligi s r yordamida kengaytirdik = 0 . 1 . IV- jadvalda II-C bo'limida tasvirlangan ma'lumotlarni ko'paytirish texnikasini qo'llash orqali olingan oqimlar soni keltirilgan . IV-JADVAL O'quv ma'lumotlar to'plamini ko'paytirishdan keyingi oqimlar soni s r = 0 . 1
Mukammal IDS har bir sinf uchun 0,0 FPRda 1,0 eslab qolishga ega, ya'ni u barcha oqimlarni hech qanday xato aniqlanmasdan to'g'ri aniqlay oladi. Shunga qaramay, haqiqatda, bunday benuqson IDSlarni empirik ravishda amalga oshirish mumkin emas yoki real vaqtda erishish juda qiyin. Fig. 3. CNN architecture of our early flow classifier tarmoq trafigining murakkabligi va katta hajmi tufayli muhit. Jadval V test to'plamida bizning dastlabki oqim klassifikatorining erishilgan ishlashini ko'rsatadi. Bizning yondashuvimiz barcha boshqa hujum turlari orasida XSS hujumi turi uchun 0,008 FPRda 0,911 ni aniqlash yoki chaqirishning eng yuqori tezligini beradi . Boshqacha qilib aytadigan bo'lsak, bizning yondashuvimiz test ma'lumotlar to'plamidagi XSS hujum oqimlarining 91,1% ni to'g'ri aniqlaydi va XSS hujumlari oqimi sifatida boshqa turdagi oqimlarning 1% dan kamini noto'g'ri aniqlaydi. Bizning yondashuvimiz boshqa hujum turlari uchun ham yaxshi natija berdi, garchi hujum turlari uchun mashg'ulotlar soni kam bo'lsa ham. Misol uchun, Brute Force va XSS hujum turlari uchun o'quv oqimlari soni dastlabki o'quv oqimlarining umumiy sonining atigi 5,1% va 2,2% ni tashkil qiladi. Yondashuv SQL Injection hujumi turi uchun yomon ishlaganligini payqash mumkin . Asosiy sabab, hujum tipidagi namunalar soni sezilarli darajada kichik (ya'ni, o'quv namunalari umumiy sonining 0,07% ). Shunday qilib, model hujum turini o'rganish uchun cheklangan imkoniyatlarga ega. Umuman olganda, bizning yondashuvimiz yaxshi ishladi va 0,803 muvozanatli aniqlikka erishdi. V JADVAL Tasniflash samaradorligi
Download 168.19 Kb. Do'stlaringiz bilan baham: 
|