Machine Learning-Based Cyber Defense for Cloud Infrastructure: An Adaptive Deep Q-Network Architecture for Intelligent Intrusion Detection and Automated Threat Mitigation
Di cosa parla
Si propone una difesa automatica per le infrastrutture cloud che impara a riconoscere e mitigare attacchi in tempo reale. Gli autori addestrano un sistema basato su apprendimento per rinforzo, cioè una rete che prova azioni e impara quali risposte bloccano gli attacchi, e lo valutano su dati di traffico di rete. Confrontano il sistema con approcci tradizionali per verificare l’efficacia dell’approccio adattivo.
Cosa permette di osservare
Permette di esplorare se far “imparare” automaticamente le difese offre maggiore adattabilità rispetto a sistemi fissi e quali scelte progettuali servono per affidare alla macchina decisioni di risposta automatica.
Dalla fonte
With the increasing complexity of cyber assaults in cloud environments, adaptable security solutions are needed that can support real-time detection and autonomous response. In this paper, we propose a reinforcement learning-based dynamic cyber defense framework. We deploy a Deep Q-Network (DQN) to train effective defensive strategies to counteract the evolving cyberattacks. We leverage the CICIDS2017 dataset for model creation and the UNSW-NB15 dataset for external validation, involving preprocessing of data, feature engineering, and adaptive policy learning. We compare the proposed DQN with decision tree, support vector machine, random forest, XGBoost, and multilayer perceptron models. The proposed DQN achieves an accuracy of 99.72%, a precision of 99.68%, a recall of 99.65%, an F1-score of 99.66%, and an ROC-AUC of 0.999, while the false positive rate is 0.31%, the false negative rat…