ReCDA: Konzeptdriftanpassung mit Repräsentationsverbesserung für die Netzwerkintrusionserkennung

Der Einsatz von lernbasierten Modellen zur Erkennung bösartiger Aktivitäten in Netzwerkverkehrsflüssen wird erheblich durch Konzeptdrift erschwert. Mit sich entwickelnder Angriffstechnologie und dynamischen Angriffsverhalten weicht die zugrunde liegende Datenverteilung der kürzlich eingelangten Verkehrsflüsse im Laufe der Zeit von historischen empirischen Verteilungen ab. Bestehende Ansätze sind auf eine erhebliche Menge an beschrifteten driftenden Proben angewiesen, um das tiefe Modell in die Lage zu versetzen, mit Konzeptdrift umzugehen, was mit arbeitsintensiver manueller Beschriftung und dem Risiko von Beschriftungsrauschen verbunden ist. In dieser Arbeit schlagen wir ReCDA vor, eine Methode zur Konzeptdriftanpassung mit Repräsentationsverbesserung, die aus einer selbstüberwachten Repräsentationsverbesserungsphase und einer schwach überwachten Klassifizierer-Tuning-Phase besteht. Insbesondere führt ReCDA in der Anfangsphase driftbewusste Störungen und Repräsentationsausrichtung ein, um dem Modell zu helfen, robuste Repräsentationen aus driftbewussten und driftinvarianten Perspektiven zu erwerben. Darüber hinaus ermutigen in der nachfolgenden Phase eine sorgfältig ausgearbeitete instruktive Sampling-Strategie und eine robuste Repräsentationsbeschränkung das Modell, während des Feintunings diskriminierendes Wissen über wohlwollende und bösartige Aktivitäten zu erlernen und damit die Leistung weiter zu verbessern. Wir führen umfassende Evaluierungen auf mehreren Benchmark-Datensätzen unter unterschiedlichen Graden der Konzeptdrift durch. Die Experimentergebnisse demonstrieren die überlegene Anpassungsfähigkeit und Robustheit der vorgeschlagenen Methode.