Deep Q-Network raggiunge il 99,72% di precisione nel rilevamento delle intrusioni nel cloud
C'è questo nuovo studio su arXiv (2608.12190) che propone un interessante sistema di difesa informatica per configurazioni cloud. Utilizza l'apprendimento per rinforzo con qualcosa chiamato Deep Q-Network (DQN) per creare strategie contro le minacce informatiche in evoluzione. È stato costruito utilizzando il dataset CICIDS2017 e testato su UNSW-NB15, incorporando fasi come la preparazione dei dati, l'ingegneria delle caratteristiche e l'apprendimento adattivo. Quando hanno confrontato il DQN con altri modelli come alberi decisionali e foreste casuali, ha davvero eccelso, raggiungendo un'accuratezza del 99,72% e una precisione del 99,68%. I tassi di falsi positivi e falsi negativi erano estremamente bassi, rispettivamente allo 0,31% e allo 0,35%, e ha un tempo di rilevamento rapido di 15 ms. Questo framework mira a fornire un rilevamento rapido e risposte automatizzate per stare al passo con le complesse minacce informatiche negli ambienti cloud.
Fatti principali
- Proposto un Deep Q-Network (DQN) per il rilevamento delle intrusioni nel cloud
- Utilizzato il dataset CICIDS2017 per l'addestramento e UNSW-NB15 per la validazione
- Raggiunto il 99,72% di accuratezza, 99,68% di precisione, 99,65% di richiamo, 99,66% di F1-score, ROC-AUC 0,999
- Tasso di falsi positivi 0,31%, tasso di falsi negativi 0,35%, latenza di rilevamento 15 ms
- Confrontato con albero decisionale, SVM, foresta casuale, XGBoost e percettrone multistrato
- Il framework supporta il rilevamento in tempo reale e la risposta autonoma
- Pubblicato su arXiv con ID 2608.12190
Entità
Istituzioni
- arXiv