Dueling Deep Q-Learning for Intrusion Detection
Di cosa parla
Un sistema per rilevare intrusioni informatiche che impara tramite ricompense usa una rete dite “dueling” che separa la previsione in due componenti: una misura la gravità complessiva e l’altra confronta le possibili risposte. L’architettura mira a migliorare l’apprendimento e la stabilità del modello; i test riportano una precisione molto elevata. Durante l’addestramento è stata integrata anche una tecnica di spiegabilità (detta SHAP) per mostrare quali elementi influenzano le decisioni.
Cosa permette di osservare
Consente di esplorare se approcci che apprendono per ricompensa, combinati con metodi di spiegabilità, possano rendere i sistemi di rilevamento più adattivi e al tempo stesso più comprensibili, mostrando quali segnali pesano nelle scelte del modello.
Dalla fonte
Intrusion detection systems (IDS) and automated systems for detecting and reporting cyber threats, are commonly handled via supervised machine learning methods. Though effective, these models struggle to effectively adapt to new attack types. This study proposes a novel approach by employing a reward-based, dueling Q-learning model for IDS, achieving an average accuracy of 99.68% across multiple attack classes. The proposed model has a dueling network architecture which separates its predictions into value and advantage streams. This has the benefit of improving learning efficiency and stability. The model was trained on the CIC-IDS2018, a benchmark dataset based on real-world intrusion detection scenarios, having multiple attack classes such as DDoS, botnets, and brute-force attacks. Furthermore, Explainable AI (XAI), specifically SHAP (SHapley Additive exPlanations), was also integrat…