Enhancing Network Intrusion Detection Performance using Generative Adversarial Networks

本研究提出了一种新的方法，通过集成生成对抗网络（GANs）来提高网络入侵检测系统（NIDS）的性能。目前，应用于NIDS的基于机器学习的检测模型很普遍。然而，这些基于机器学习的模型的有效性通常受到入侵技术不断发展和复杂化以及缺乏多样化和更新的训练样本的限制。通过利用GANs生成接近于真实网络行为的合成网络流量数据，我们解决了NIDS训练数据集中的一个关键挑战，即数据稀缺性。本研究实现了三种不同的GAN模型（Vanilla GAN，Wasserstein GAN和Conditional Tabular GAN），用于生成特别定制的真实网络流量模式，以表示异常活动。我们展示了这种合成数据重采样技术如何显著提高NIDS模型检测此类活动的性能。通过使用CIC-IDS2017基准数据集进行全面实验，并增加GAN生成的数据，我们提供了实证证据，证明了我们提出的方法的有效性。我们的研究结果表明，将GAN集成到NIDS中可以提高入侵检测性能，特别是对于训练数据有限的攻击，这使得GAN成为在日益互联和脆弱的数字环境中增强组织网络安全姿态的有前途的途径。

本论文旨在解决网络入侵检测系统（NIDS）中机器学习模型的限制性问题，即入侵技术的不断演变和缺乏多样化和更新的训练样本。

论文提出了一种通过集成生成对抗网络（GANs）来增强NIDS性能的新方法。通过生成接近真实世界网络行为的合成网络流量数据，解决了NIDS训练数据集的关键挑战，即数据稀缺性。论文实现了三种不同的GAN模型来生成特定于表示异常活动的真实网络流量模式。

论文使用CIC-IDS2017基准数据集进行了广泛的实验，证明了GAN生成数据的优越性，并且可以显著提高NIDS模型的性能。这项工作可以为组织加强网络安全提供帮助。

最近的相关研究包括：1）使用深度学习的NIDS性能增强；2）使用GAN进行数据增强的其他领域的研究。