روندهای یادگیری گروهی برای امنیت شبکه و تشخیص ناهنجاریها

استفاده از مدل های یادگیری ماشینی برای امنیت شبکه و مشکلات تشخیص ناهنجاری در دهه گذشته زیاد شده است؛ با این حال، هنوز رویکرد بهترین روش یا یک راحل ساده برای حل این مشکلات در یک زمینه کلی وجود ندارد. در عین حال یادگیری عمیق یک مشکل عمده امروزه است و پیشرفت بزرگ در حوزه های دیگر است و نمی توان به راحتی تشخیص داد که کدام مدل یا دسته ای از مدل ها برای شناسایی رویدادهای ناهنجاری در شبکه های عملیاتی مناسب است. ما یک راه حل بالقوه برای پر کردن این شکاف داریم – بررسی استفاده از مدل های یادگیری گروهی در مورد امنیت شبکه و تشخیص ناهنجاریها. روش های مختلف یادگیری گروهی را برای افزایش تشخیص حملات و ناهنجاری های اندازه گیری شبکه، به دنبال یک مدل به ویژه امیدوار کننده به نام سوپر یادگیرنده، مورد بررسی قرار می دهیم. سوپریادگیرنده به طور متناوب و همچنین بهترین ترکیب ممکن وزن دار از یادگیرندگان عمل می کند و یک رویکرد بسیار قدرتمند برای مقابله با مشکلات متعدد با همان تکنیک را ارائه می دهد. راه حل پیشنهادی برای دو مشکل مختلف را آزمایش کردیم، با استفاده از مجموعه داده شناخته شده MAWILab برای تشخیص حملات شب

The application of machine learning models to network security and anomaly detection problems has largely increased in the last decade; however, there is still no clear best-practice or silver bullet approach to address these problems in a general context. While deep-learning is today a major breakthrough in other domains, it is difficult to say which is the best model or category of models to address the detection of anomalous events in operational networks. We present a potential solution to fill this gap, exploring the application of ensemble learning models to network security and anomaly detection. We investigate different ensemble-learning approaches to enhance the detection of attacks and anomalies in network measurements, following a particularly promising model known as the Super Learner. The Super Learner performs asymptotically as well as the best possible weighted combination of the base learners, providing a very powerful approach to tackle multiple problems with the same