[论文解读] A Network Intrusions Detection System based on a Quantum Bio Inspired Algorithm

Omar S. Soliman, Aliaa Rassem|arXiv (Cornell University)|May 3, 2014

Artificial Immune Systems Applications参考文献 24被引用 6

一句话总结

本文提出了一种新型网络入侵检测系统（NIDS），采用量子疫苗化免疫克隆算法并结合估计分布算法（QVICA-with-EDA）。该混合生物启发式优化方法通过自动从网络流量中学习区分规则，显著提升了分类准确率，在KDD Cup 1999数据集上实现了94.8%的检测准确率，优于基于PSO的基线系统。

ABSTRACT

Network intrusion detection systems (NIDSs) have a role of identifying malicious activities by monitoring the behavior of networks. Due to the currently high volume of networks trafic in addition to the increased number of attacks and their dynamic properties, NIDSs have the challenge of improving their classification performance. Bio-Inspired Optimization Algorithms (BIOs) are used to automatically extract the the discrimination rules of normal or abnormal behavior to improve the classification accuracy and the detection ability of NIDS. A quantum vaccined immune clonal algorithm with the estimation of distribution algorithm (QVICA-with EDA) is proposed in this paper to build a new NIDS. The proposed algorithm is used as classification algorithm of the new NIDS where it is trained and tested using the KDD data set. Also, the new NIDS is compared with another detection system based on particle swarm optimization (PSO). Results shows the ability of the proposed algorithm of achieving high intrusions classification accuracy where the highest obtained accuracy is 94.8 %.

研究动机与目标

• 为解决传统NIDS在面对高流量、动态网络流量及不断演变的攻击模式时分类准确率和检测能力低下的挑战。
• 通过利用生物启发式优化算法自动提取区分正常与恶意网络行为的规则，提升入侵检测性能。
• 设计一种混合量子-生物启发算法，以提升网络入侵检测中的收敛速度与分类准确率。
• 将所提系统与现有基于优化的NIDS进行对比评估，特别是基于粒子群优化（PSO）的系统。

提出的方法

• 所提系统采用量子疫苗化免疫克隆算法（QVICA）模拟免疫系统识别并响应抗原（入侵行为）的能力。
• 通过引入估计分布算法（EDA）增强QVICA，以建模优质解的概率分布，提升搜索效率与收敛性。
• 将混合的QVICA-with-EDA算法在KDD Cup 1999数据集上进行训练与测试，该数据集是入侵检测系统领域的标准基准。
• 对数据集进行特征选择与归一化处理，以提升算法性能并降低维度。
• 通过选择、突变与克隆等操作，基于检测准确率的适应度评估，使抗体种群（潜在解）在迭代中进化。
• 最终分类模型由经过多轮优化后表现最佳的抗体推导得出。

实验结果

研究问题

• RQ1 基于量子-生物启发的优化算法能否提升网络入侵检测系统的分类准确率？
• RQ2 将估计分布（EDA）集成到量子疫苗化免疫克隆算法中，如何提升其在入侵检测中的性能？
• RQ3 所提出的QVICA-with-EDA方法是否优于现有基于优化的NIDS，如基于粒子群优化（PSO）的系统？
• RQ4 在KDD Cup 1999数据集上，所提混合算法可实现的最大检测准确率是多少？

主要发现

• 所提QVICA-with-EDA算法在KDD Cup 1999数据集上实现了最高94.8%的入侵分类准确率。
• 与基于粒子群优化（PSO）的NIDS相比，该系统表现出更优的检测性能，证明了混合量子-生物启发方法的有效性。
• 将EDA集成到QVICA中，通过建模高性能抗体候选的分布，显著提升了收敛速度与解的质量。
• 该算法通过进化优化成功提取出区分正常与异常网络行为的有意义判别规则。