82、基于智能机器学习的云入侵检测系统

基于智能机器学习的云入侵检测系统

1. 引言

云计算作为一项新兴技术，已成为整个 IT 行业的重要服务。如今，网络中数据流量巨大，因此需要一个能以良好结构组织数据的存储系统。云计算的可扩展性和按需付费等优势，使其广受欢迎。然而，由于高度机密信息的交换，云计算的安全问题成为现代 IT 领域的严峻挑战。2020 年，勒索软件威胁给整个网络世界带来了严重危害。

为应对这一挑战，许多传统系统应运而生，但大多数传统入侵检测系统（IDS）在检测高级攻击时效果不佳，这为黑客打开了方便之门。为弥补传统系统的不足，入侵检测系统应运而生，它能有效检测入侵者并防范各种威胁。攻击可能发生在网络和主机系统中，IDS 可分为基于网络和基于主机的两种类型。

为了与智能攻击者抗衡，许多基于人工智能的 IDS 被提出，它们将机器学习与 IDS 相结合。机器学习能够从经验中学习，训练模型并根据情况进行预测。与传统的入侵检测机制相比，基于机器学习的 IDS 在检测和报告未知攻击方面更加有效。然而，基于机器学习的 IDS 框架在处理复杂数据集时存在困难。因此，为了提高此类 IDS 架构的性能，对复杂数据集进行特征工程至关重要。特征工程中的特征约简是机器学习的重要步骤，它能帮助处理大量数据。

本文的主要动机是提出一种高效的基于机器学习的 IDS，并结合有效的特征约简技术来处理复杂数据集。与未进行特征约简的 IDS 技术相比，该方法有望实现高精度和高效的检测率。本文的主要贡献包括：
- 提出一种基于机器学习的云入侵检测系统，结合 AI 代理和 KLS 特征约简技术来处理复杂数据集。
- 使用模糊 C - 均值聚类算法进行攻击检测，随机森林机器学习算法进行攻击分类。
- 设计