5G-NIDD

5G-NIDD数据集是由国家技术大学雅典分校电气与计算机工程学院决策支持系统实验室创建的，用于5G网络入侵检测的研究。该数据集包含从真实的5G测试网络中收集的网络流量数据，包括pcap文件和网络流量数据。与现有数据集相比，5G-NIDD数据集的优势在于其包含了5G网络流中的实际特征，并且良性流量是通过连接到5G测试网络的真实移动设备生成的。数据集包含两种攻击类别：DoS/DDoS和端口扫描攻击，涵盖了多种攻击类型。该数据集旨在解决5G网络中的安全威胁问题，通过提供高质量的网络流量数据来支持入侵检测算法的研究和开发。

The 5G-NIDD dataset was developed by the Decision Support Systems Laboratory, School of Electrical and Computer Engineering, National Technical University of Athens, for research on 5G network intrusion detection. It contains network traffic data collected from a real-world 5G test network, including pcap files and network traffic data. Compared with existing datasets, the 5G-NIDD dataset has the advantage of incorporating actual features inherent to 5G network flows, and its benign traffic is generated by genuine mobile devices connected to the 5G test network. The dataset includes two primary attack categories: DoS/DDoS and port scanning attacks, covering multiple attack types. This dataset aims to address security threats in 5G networks, supporting the research and development of intrusion detection algorithms by providing high-quality network traffic data.

搜集汇总

数据集介绍

构建方式

5G-NIDD数据集的构建基于真实的5G测试网络，通过收集网络流量数据和pcap文件，确保了数据的真实性和代表性。与现有的数据集如UNSW-NB15和CICIDS2017不同，5G-NIDD数据集包含了5G网络特有的流量特征，这些特征是通过实际移动设备连接到5G测试网络生成的。数据集包含了多种攻击类型，如DoS/DDoS和端口扫描攻击，具体包括ICPM flood、UDP flood、SYN flood、HTTP flood和Slow rate DoS等。通过这种方式，5G-NIDD数据集为研究5G网络中的入侵检测提供了丰富的数据资源。

使用方法

5G-NIDD数据集适用于多种网络入侵检测研究，特别是基于深度学习和机器学习的入侵检测模型。研究人员可以将数据集中的网络流量数据转换为特征矩阵，然后输入到卷积神经网络（CNN）或其他深度学习模型中进行训练和测试。数据集的多样性和真实性使得其适用于各种实验和模型验证，包括但不限于特征选择、模型优化和性能评估。通过使用5G-NIDD数据集，研究人员可以开发出更高效和准确的入侵检测系统，以应对5G网络中的安全挑战。

背景与挑战

背景概述

5G-NIDD数据集由希腊雅典国立技术大学的决策支持系统实验室创建，旨在解决5G网络及其后续版本中的入侵检测问题。该数据集基于真实的5G测试网络生成，包含了多种攻击类型和正常流量数据，为研究人员提供了一个全面且真实的实验环境。其核心研究问题是如何利用先进的机器学习算法，特别是卷积神经网络（CNN）和混合专家模型（MoE），来识别和防御5G网络中的恶意流量。5G-NIDD数据集的推出，标志着在5G网络安全领域的一次重要进展，为后续研究提供了坚实的基础。

当前挑战

5G-NIDD数据集在构建过程中面临多项挑战。首先，数据集需要捕捉5G网络特有的复杂性和动态性，这要求数据采集和处理技术的高度精确和灵活。其次，数据集中包含的多种攻击类型和正常流量之间的细微差别，增加了模型训练的难度。此外，5G网络的高速率和低延迟特性，对入侵检测系统的实时性和准确性提出了更高的要求。最后，数据集的生成和维护需要大量的计算资源和专业知识，这限制了其广泛应用和进一步扩展的可能性。

常用场景

经典使用场景

5G-NIDD数据集在5G网络入侵检测任务中展现了其经典应用场景。通过将网络流量数据转换为2D矩阵，并利用卷积神经网络（CNN）层进行特征提取，随后结合稀疏门控的混合专家（MoE）层进行分类，该数据集显著提升了入侵检测的准确性和效率。这一方法不仅能够识别多种类型的攻击，如ICPM flood、UDP flood和SYN flood，还能有效区分良性流量，从而为5G网络的安全防护提供了强有力的支持。

解决学术问题

5G-NIDD数据集解决了5G网络中入侵检测的多个学术研究问题。首先，它克服了传统浅层机器学习分类器性能不足的问题，通过引入深度学习模型显著提升了检测精度。其次，该数据集支持研究如何通过动态调整模型组件来提高网络参数的适应性和效率，特别是在处理复杂和多样化的网络流量时。此外，5G-NIDD还为研究如何在实际5G测试网络环境中验证和优化入侵检测算法提供了宝贵的数据资源。

实际应用

5G-NIDD数据集在实际应用中展现了广泛的潜力。在智能工厂、智慧城市和自动驾驶等依赖5G网络的领域，该数据集支持开发和部署高效的入侵检测系统，确保网络的稳定和安全。通过实时监控和分析网络流量，这些系统能够快速识别并响应潜在的安全威胁，从而保护关键基础设施和用户数据。此外，5G-NIDD还可用于培训和验证新一代网络安全工具，推动5G网络技术的安全性和可靠性不断提升。

数据集最近研究

最新研究方向

在5G网络及其后续演进中，安全威胁的复杂性日益增加，推动了针对5G-NIDD数据集的前沿研究。最新研究方向聚焦于结合卷积神经网络（CNN）与专家混合模型（Mixture of Experts, MoE）进行入侵检测。这种集成方法不仅提升了检测精度，还通过动态激活专家子集，显著提高了计算效率和模型适应性。研究结果表明，该方法在5G-NIDD数据集上的加权F1分数达到99.95%，显示出其在应对新兴网络威胁中的巨大潜力和实际应用价值。

相关研究论文

• Convolutional Neural Networks and Mixture of Experts for Intrusion Detection in 5G Networks and beyond

  国家技术大学雅典分校电气与计算机工程学院决策支持系统实验室 · 2024年