基于机器学习的网络入侵检测系统分类模型

随着移动用户数量的急剧增加，移动威胁也在迅速增长。移动恶意软件可能导致多种网络安全威胁，即窃取敏感信息、安装后门、勒索攻击和发送高收费短信等。先前的研究表明，由于威胁的复杂性和避免检测的定制技术，并不是每个杀毒系统都能够检测出高级威胁。然而，在网络侧增加一层额外的安全性，可以通过分析流量模式来保护用户免受这些高级威胁的侵害。为检测这些威胁，本文提出并评估了一个基于机器学习的网络入侵检测系统（NIDS）模型。在这项研究中，使用包含来自多种恶意和良性应用程序生成的网络流量特征标签实例的数据集构建了多个监督机器学习分类器。由于其在移动恶意软件中的全球份额和用户的普及，研究重点放在基于Android的恶意软件上。根据评估结果，该模型能够以高达99.4%的准确率检测已知和未知威胁。该机器学习模型还可以与传统入侵检测系统集成，以检测高级威胁并减少误报。