Reconfigurable Edge Hardware for Intelligent IDS: Systematic Approach

入侵检测系统（IDS）是现今强制执行网络安全的关键安全措施。它们的任务是检测网络通信中的异常并识别可能的恶意行为，以防止其发生。最近，机器学习已被部署用于构建智能IDS。然而，在分布式、高度动态但资源有限的边缘设置等系统中，这种方法非常具有挑战性。在本文中，我们从多个角度分析智能IDS（I-IDS）的概念，同时解决边缘设备的特定要求，并特别关注可重构性。然后，我们介绍了一种系统化的方法来构建可重构边缘硬件上的I-IDS。为此，我们将我们提出的IDS实现为（1）纯FPGA数据流处理器（DFP）和（2）协同设计方法，其中包含RISC-V软核作为基于FPGA的软核处理器（SCP）。我们通过与该领域的最新技术（SoA）进行比较来完成我们的论文。结果表明，从硬件资源和能量效率的角度来看，DFP和SCP都适用于边缘应用。我们提出的DFP解决方案明显优于SoA，并证明可以在不过高的硬件成本的情况下实现所需的高性能。这使得我们提出的DFP适用于现代通信技术等基于边缘的高速应用。

探讨在边缘设备上构建智能入侵检测系统(I-IDS)的挑战，特别是在分布式、高动态性、资源受限的系统中如何利用机器学习构建智能IDS。

提出了一种系统化的方法，在可重构的边缘硬件上构建I-IDS。作者在现有的FPGA技术上实现了两种方案：纯FPGA数据流处理器(DFP)和基于RISC-V的FPGA软核处理器(SCP)，并对两种方案进行了比较。DFP方案在硬件资源和能耗效率方面表现出色，适用于高速应用程序。

本文提出的DFP方案明显优于现有技术，且不需要昂贵的硬件成本即可实现所需的高性能。作者还介绍了使用的数据集和实验设计，并与现有相关研究进行了比较。

近期的相关研究包括：'A survey of intrusion detection systems in wireless sensor networks'、'A hybrid deep learning approach for intrusion detection system'等。