RTIDS: Uma Abordagem Robusta Baseada em Transformer para Sistema de Detecção de Intrusões

Devido ao rápido crescimento do tráfego de rede e ao aumento das ameaças de segurança, os Sistemas de Detecção de Intrusões (IDS) tornaram-se cada vez mais críticos no campo da cibersegurança para fornecer comunicações seguras contra adversários cibernéticos. No entanto, existem muitos desafios para projetar um IDS robusto, eficiente e preciso, especialmente ao lidar com dados de anomalias de alta dimensão com ataques imprevistos e imprevisíveis. Neste artigo, propomos um Sistema de Detecção de Intrusões Baseado em Transformer Robusto (RTIDS) que reconstrói representações de características para fazer um equilíbrio entre redução de dimensionalidade e retenção de características em conjuntos de dados desbalanceados. O método proposto utiliza a técnica de incorporação posicional para associar informações sequenciais entre características, e em seguida, uma rede neural empilhada variante de codificador-decodificador é utilizada para aprender representações de características de baixa dimensão a partir de dados brutos de alta dimensão. Além disso, aplicamos um mecanismo de autoatenção para facilitar a classificação de tipos de tráfego de rede. Experimentos extensivos revelam a eficácia do RTIDS proposto em dois conjuntos de dados públicos de detecção de intrusões em tráfego real, denominados CICIDS2017 e CIC-DDoS2019, com F1-Score de 99,17% e 98,48%, respectivamente. Um estudo comparativo com o algoritmo clássico de aprendizado de máquina, máquina de vetores de suporte (SVM), e algoritmos de aprendizado profundo que incluem rede neural recorrente (RNN), rede neural fuzzy (FNN) e rede de memória de longo prazo (LSTM) é realizado para demonstrar a validade do método proposto.