[論文レビュー] Deep Learning in Information Security

Stefan Thaler, Vlado Menkovski+1 more|arXiv (Cornell University)|Sep 12, 2018

Network Security and Intrusion Detection参考文献 110被引用数 7

ひとこと要約

本稿は、情報セキュリティにおける深層学習（DL）に関する体系的文献レビューを提示しており、77篇の論文をデータ中心の視点から分析している。DLの応用をデータタイプ（時系列、空間的、構造的、テキスト、マルチモーダル）、タスク、モデルに分類し、DLのスケーラビリティ、自動特徴量学習、ドメイン間転送の可能性を強調しつつ、データラベルの不足やセキュリティ文脈におけるモデルの解釈可能性といった課題も特定している。

ABSTRACT

Machine learning has a long tradition of helping to solve complex information security problems that are difficult to solve manually. Machine learning techniques learn models from data representations to solve a task. These data representations are hand-crafted by domain experts. Deep Learning is a sub-field of machine learning, which uses models that are composed of multiple layers. Consequently, representations that are used to solve a task are learned from the data instead of being manually designed. In this survey, we study the use of DL techniques within the domain of information security. We systematically reviewed 77 papers and presented them from a data-centric perspective. This data-centric perspective reflects one of the most crucial advantages of DL techniques -- domain independence. If DL-methods succeed to solve problems on a data type in one domain, they most likely will also succeed on similar data from another domain. Other advantages of DL methods are unrivaled scalability and efficiency, both regarding the number of examples that can be analyzed as well as with respect of dimensionality of the input data. DL methods generally are capable of achieving high-performance and generalize well. However, information security is a domain with unique requirements and challenges. Based on an analysis of our reviewed papers, we point out shortcomings of DL-methods to those requirements and discuss further research opportunities.

研究の動機と目的

• 情報セキュリティにおける深層学習の応用をデータ中心の視点から体系的にレビューすること。
• 情報セキュリティ研究において、どのデータタイプ、タスク、深層学習モデルが最も一般的に用いられているかを特定すること。
• マルウェア検出、インシデント検出、異常検出といった実世界の情報セキュリティ課題に対処するためのDLの長所と短所を分析すること。
• ラベル付きデータの不足、モデルの解釈可能性、敵対的耐性といった主な課題を強調すること。
• ドメイン知識の統合、透明性の向上、情報セキュリティ分野におけるドメイン間転送の可能性を高めるための今後の研究方向性を提示すること。

提案手法

• 情報セキュリティにおける深層学習に関する77篇の論文の体系的文献レビューを実施した。
• 論文を3つの次元で分類した：データタイプ（時系列、空間的、構造的、テキスト、マルチモーダル）、タスク（分類、異常検出など）、モデルアーキテクチャ（CNN、RNN、オートエンコーダーなど）。
• DLの情報セキュリティタスクへの応用に関する66篇の論文と、DLモデルのセキュリティ的性質（例：機微性、整合性）に関する11篇の論文をレビューした。
• 情報セキュリティ文脈におけるDLモデルのスケーラビリティ、一般化能力、特徴量学習能力を分析した。
• ラベル付きデータの不足を解消するための教師なし学習、アクティブ学習、トランスファー学習、メトリクス学習の実現可能性を評価した。
• サイドチャネル攻撃や敵対的例を含む、攻撃的応用としての深層学習の可能性について議論した。

実験結果

リサーチクエスチョン

• RQ1 情報セキュリティ分野において、どのデータタイプとタスクが深層学習手法に最も適しているか？
• RQ2 同じデータタイプに共通する場合、異なる情報セキュリティ分野に応用されたDLモデルは、どの程度一般化するか？
• RQ3 情報セキュリティへの深層学習の応用において、主な課題は何か、特にラベル付きデータの不足とモデルの解釈可能性について。
• RQ4 教師なし学習および弱教師あり学習の手法は、情報セキュリティ応用におけるラベル付きデータの不足をどのように軽減できるか？
• RQ5 情報セキュリティシステムに深層学習モデルを導入する際に伴うセキュリティとプライバシー上のリスクは何か？

主な発見

• 十分なラベル付きデータが利用可能な場合、深層学習モデルはマルウェア検出、インシデント検出、バイオメトリクス認証といった情報セキュリティタスクで高い性能を発揮する。
• DLモデルは大規模かつ高次元のデータに強くスケーラブルであり、次元の呪いに対処する際、従来の機械学習手法を上回る性能を示す。
• DLが分散的かつ階層的な表現を学習できる能力により、手動による特徴量エンジニアリングへの依存が低下し、類似したデータタイプ間でモデルのドメイン間転送が可能になる。
• 成功を収めている一方で、情報セキュリティ分野におけるDLモデルは、ラベル付きデータの不足により課題に直面しており、教師なし学習、アクティブ学習、メトリクス学習が有望な代替手段として浮上している。
• モデルの解釈可能性とドメイン知識の統合は、依然として重要な未解決課題であり、セキュリティアナリストが自動意思決定の根拠を人間が理解できる形で提示する必要がある。
• CAPTCHAに対する敵対的攻撃や自動フィッシングボットといった、DLの攻撃的応用は顕著な可能性を示しており、これに対応する強固な防御メカニズムの構築が求められている。