《Engineering Science and Technology, an International Journal》：Binary classification of Low-Rate DoS attacks using Long Short-Term Memory Feed-Forward (LSTM-FF) Intrusion Detection System (IDS)
編輯推薦：
為解決傳統入侵檢測系統（IDS）難以精準檢測低速率拒絕服務（LR - DoS）攻擊的問題，研究人員開展基于混合長短期記憶前饋（LSTM - FF）神經網絡的 IDS 研究。利用多數據集驗證，模型在二元分類中達 99.70% 準確率等，為網絡安全防御提供新方案。
在互聯網與通信技術迅猛發展的當下，網絡數據規模急劇膨脹，新型網絡攻擊層出不窮，其中低速率拒絕服務（LR - DoS）攻擊因其隱蔽性強、帶寬消耗低等特點，成為網絡安全領域的棘手難題。傳統拒絕服務（DoS）攻擊依賴暴力技術易被檢測，而 LR - DoS 攻擊通過長時間微量流量消耗目標資源，難以被及時察覺，導致合法用戶服務被降級或拒絕，給網絡安全帶來巨大威脅。為應對這一挑戰，亟需開發更高效的入侵檢測系統（IDS）來精準識別此類攻擊。
來自國外研究機構的研究人員開展了基于混合長短期記憶前饋（LSTM - FF）神經網絡的入侵檢測系統研究，相關成果發表在《Engineering Science and Technology, an International Journal》。該研究旨在提升 LR - DoS 攻擊的檢測能力，通過創新模型架構與數據處理方法，為網絡安全防護提供新的技術路徑。
研究主要采用的關鍵技術方法包括：利用隨機森林（RF）進行自動化特征選擇，優化模型效率與可解釋性；運用分層 k 折交叉驗證策略處理數據不平衡問題；采用長短期記憶前饋神經網絡結合時間序列學習與特征優化，實現對 LR - DoS 攻擊的特征提取與分類。研究使用了 CIC - DOS2017 數據集（含 8 類 LR - DoS 攻擊）、CSE - CIC - IDS2018 數據集及 LR - HR - DDOS2024 數據集（針對軟件定義網絡（SDN）環境）進行模型訓練與評估。
實驗 1：二元分類
通過對 CIC - DOS2017 數據集的 62 個特征進行二元分類（正常與異常），LSTM - FF 模型表現優異。其準確率達 99.70%，精確率 99.47%，召回率 95.64%，F1 分數 97.52%，特異性 99.97%，誤報率（FAR）僅 0.03%，ROC - AUC 為 99.74%。與支持向量機（SVM）、隨機森林（RF）等傳統機器學習模型及循環神經網絡（RNN）、門控循環單元（GRU）等深度學習模型相比，LSTM - FF 在檢測準確性與誤報率控制上均顯著更優。
實驗 2：多分類
在多分類任務中，模型對 CIC - DOS2017 數據集的 9 類流量（1 類正常，8 類攻擊）進行分類，準確率為 99.54%，精確率 93.19%，召回率 90.28%，特異性 99.59%，FAR 為 0.40%。盡管隨機森林（RF）和 k 近鄰（KNN）在部分指標上略高，但 LSTM - FF 仍展現出均衡的性能與較低的誤報率。
魯棒性分析
通過 CSE - CIC - IDS2018 和 LR - HR - DDOS2024 數據集驗證模型魯棒性，在 CSE - CIC - IDS2018 數據集上準確率達 99.83%，LR - HR - DDOS2024 數據集上準確率為 99.76%，表明模型在不同網絡環境與攻擊類型下均具良好泛化能力。
訓練時長與模型對比
與傳統機器學習模型相比，LSTM - FF 訓練時長適中，優于復雜深度學習架構如 Transformer，在性能與效率間取得平衡，適用于實時或近實時入侵檢測。
研究結論表明，LSTM - FF 模型通過融合時間序列學習與特征優化，結合自動化特征選擇與分層交叉驗證，顯著提升了 LR - DoS 攻擊的檢測性能，在多數據集上均表現出高準確性與低誤報率。該研究為應對新型網絡攻擊提供了有效解決方案，推動了入侵檢測技術在深度學習領域的應用，對保障網絡安全、防范隱蔽性攻擊具有重要意義。盡管長短期記憶網絡存在計算復雜度較高等局限性，但其在時序數據處理上的優勢為后續研究提供了堅實基礎，未來可進一步探索聯邦學習等技術以優化模型效率。
