论文阅读——Intrusion detection systems using longshort‑term memory (LSTM)
一.基本信息
论文名称：Intrusion detection systems using longshort‑term memory (LSTM)
中文翻译：基于长短期记忆(LSTM)的入侵检测系统
DOI：10.1186/s40537-021-00448-4
作者：FatimaEzzahra Laghrissi1* , Samira Douzi2*, Khadija Douzi1* and Badr Hssina1*
发表年份：2021年
发表期刊：《Journal Of Big Data》
中科院分区：计算机科学2区
JCR分区：Q1
影响因子：IF(5):12.4
二.论文阅读
1.研究背景
1.网络威胁日益严重，入侵检测技术越来越关键。
2.目前许多入侵检测系统基于机器学习模型，但是经典的机器学习模型无法解决实时性问题。
3.深度学习模型在入侵检测方面的应用有所增加
2.主要贡献
在KDD99数据集上，对三个模型（即LSTM,LSTM-PCA,LSTM-MI）进行二分类和多分类的测试
3.研究过程
A.数据集的阐述：
1. KDD99 dataset：53个特征；4个攻击大类；2. 存在的问题：攻击记录的数量远远大于正常记录
B.数据预处理：
二分类将标签分为两种类别：正常和攻击；接着 随机抽样来缓解数据集存在的问题多分类分成 三类 ：正常攻击，拒绝服务攻击和R2L类别中的所有其他攻击
C.数据降维
PCA方法：
原数据的特征是53个，用PCA方法降维， 用 主成分1,2 或者 主成分1，2，3 即可描述重要特征（后面实验对比了2个主成分和3个主成分的效果）
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
MI方法：
1.定义： 互信息（Mutual Information ）是一种用来计算两个变量之间统计依赖性的方法，这里的两个变量是“特征”与“目标值/标签”， 某个特征的互信息分数越高，说明该特征对标签结果的影响更大2.本实验的设置：
本实验的选择： 本实验分别用了4号特征和其余10个特 征
D.数据集的划分
60%的预处理后的数据作为训练集；20%作为验证集；20%作为测试集
E.分类模型的设置
①分类模型：LSTM
②内部结构和参数设置：
▶整体模型及参数：
▶LSTM的结构：
4.研究结果
性能评价指标1：准确度，召回率，精确度，F1分数
结果：
对于二分类和多分类来比较：二分类的效果好
对于三种模型来比较：LSMT-PCA效果最好
对于具体模型来说：
LSTM-PCA：在选择两个主成分时效果更好
LSTM-MI：选择4号特征比选择10个特征效果好
--------------------------------------------------------------------------------------------------------------------------
性能评价指标2：处理时间
结果：
二分类比多分类快；LSTM-MI比其他模型快；添加更多的特征会增加处理时间
--------------------------------------------------------------------------------------------------------------------------
LSTM-PCA的最终评价：
①在 准确率和敏感度上超越其他模型。
②使用更少的特征 实现了 高效性能 ，适合 大规模实时环境 。③模型具有通用性、高效性，在入侵检测系统中的潜在实用价值
5.总结
作者提出的 LSTM 模型能够有效区分正常网络流量和攻击流量。除此之外，模型结合主成分分析（PCA）和互信息作为降维方法。实验结果表明，基于 PCA 的模型（特别是使用2个主成分）在二分类和多分类任务中都表现最好，准确率分别达到 99.44% 和 99.39%。模型的准确性和敏感性优于其他比较方法，且使用少量特征（2个）使得模型训练更加高效，占用更少资源。
6.未来展望
7.整个论文的思维导图
！！！声明！！！
这篇文章仅用于本人的学术学习，侵权即删，转载或学习请标明原论文的信息，正确引用！
原文地址：https://blog.csdn.net/weixin_59924168/article/details/143830880
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！