基于深度学习的网络入侵检测研究综述

肖建平,龙春,赵静,魏金侠,胡安磊,杜冠瑶

A Survey on Network Intrusion Detection Based on Deep Learning

XIAO Jianping,LONG Chun,ZHAO Jing,WEI Jinxia,HU Anlei,DU Guanyao

表1 基于传统机器学习的入侵检测

Table 1 Intrusion detection based on traditional machine learning

文献 传统机器 学习方法 数据处 理方法 特征选 择/提取 数据集 任务 类别 性能评价 [12] HMM \ 序列采样 公共和私有数据集 多分类 \ [13] HMM、PCA 数据传输、数据归一化和特征提取 \ Kyoto 2006+ 二分类 Precision：98.3%、ACC:99.1%、Recall:95.1% [15] KNN、树种子算法（TSA） 数据归一化 KNN-TSA KDD 99 二分类 ACC: 87.34% [16] KNN、SVM 数据缩减、攻击类别转换、数据标准化 NBFS KDD 99、NSL-KDD 、Kyoto 2006+ 多分类 DR:KDD 99:94.58%(DOS)、93.25%(R2L)、92.02%(U2R)、91.12%(Probe);NSL-KDD:95.77%(DOS)、95.60%(R2L)、94.85%(U2R)、94.21%(Probe); Kyoto2006+:94.97%(DOS)、94.81%(R2L)、93.93%(U2R)、93.87%(Probe) [17] SVM 零-均值规范化 压缩采样 KDD 99 多分类 DR: 99.01%(R2L)、98.39%(Dos)、FPR:1.13%(U2R)、0.94%(R2L) [18] PCA、SVM 数据数值化、线性比例变换法 PCA KDD 99 多分类 ACC:99.93%(DoS)、98.6%(Probe) DR:96.92%(all)、97.50%(R2L) [21] k-means、SVM 对数缩放 \ KDD 99 多分类 ACC:95.75% DR:99.53%(Dos)、31.39%(R2L) [22] GMM \ \ NSL-KDD 二分类 ACC:94.28% 、DR:97.21%、 FAR:8.59% [25] PCA、IG、k-means \ k-means、信息增益率 NSL-KDD 二分类 ACC:90.48%、DR:89.01%、FAR:2.45%