Towards Effective Network Intrusion Detection in Imbalanced Datasets: A Hierarchical Approach
Notice bibliographique
Résumé
The transition from conventional networks to Soft-ware Defined Networks (SDNs) has revolutionized network man-agement and control, but it also creates a huge security risk, underscoring the significance of effective intrusion detection systems (IDS). Researchers have used deep learning for IDS due to its ability to capture complex patterns in data. Deep Learning techniques rely on ample balanced labeled data for effective intrusion detection, but acquiring such balanced data in real network scenarios is a formidable challenge, often resulting in suboptimal performance for existing methods when dealing with imbalanced datasets. This paper introduces a hierarchical approach that is capable of effectively detecting well-known network attacks in an SDN environment, even with minimal training data. Our model, leveraging a dataset collected from a real-world software-defined wide area network (SD-WAN) environment, showcases remarkable adaptability by maintaining strong performance even with highly imbalanced data, i.e., attack samples with as few as 8 or 16 instances to others with hundreds, thousands, or even millions of instances. It consistently achieves an overall average F1 score above 92%, with minority class average F1 score reaching more than 84%, marking a substantial 22.50% performance improvement compared to selected base-lines in our evaluation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».