[論文レビュー] Shallow and Deep Networks Intrusion Detection System: A Taxonomy and Survey

Elike Hodo, Xavier Bellekens+3 more|arXiv (Cornell University)|Jan 9, 2017

Network Security and Intrusion Detection参考文献 97被引用数 211

ひとこと要約

本論文は、浅層および深層ネットワークを用いた侵入検知システムの分類と実証の体系と調査を提供し、特徴選択と偽陽性/真陽性のバランスを強調します。

ABSTRACT

Intrusion detection has attracted a considerable interest from researchers and industries. The community, after many years of research, still faces the problem of building reliable and efficient IDS that are capable of handling large quantities of data, with changing patterns in real time situations. The work presented in this manuscript classifies intrusion detection systems (IDS). Moreover, a taxonomy and survey of shallow and deep networks intrusion detection systems is presented based on previous and current works. This taxonomy and survey reviews machine learning techniques and their performance in detecting anomalies. Feature selection which influences the effectiveness of machine learning (ML) IDS is discussed to explain the role of feature selection in the classification and training phase of ML IDS. Finally, a discussion of the false and true positive alarm rates is presented to help researchers model reliable and efficient machine learning based intrusion detection systems.

研究の動機と目的

• 侵入検知システムを浅層ネットワークと深層ネットワークのアプローチに分類する。
• 既存の機械学習ベースのIDSとその性能の分類体系と調査を提示する。
• MLベースのIDSの学習と分類における特徴選択の役割を論じる。
• 偽陽性・真陽性のアラーム率が信頼性の高いIDS設計にどのように影響するかを説明する。

提案手法

• 過去および現在の研究から、浅層および深層ネットワークの侵入検知システムの分類体系を構築する。
• IDSで用いられる機械学習技術とそれらの異常検知性能をレビューする。
• 特徴選択を、分類器の学習と精度に影響を与える重要な要因として論じる。
• 信頼性の高いIDS設計を導くためのアラーム率指標（偽陽性/真陽性）に関する議論を提供する。

実験結果

リサーチクエスチョン

• RQ1 侵入検知に使用されている既存の浅層および深層ネットワークアプローチは何ですか？
• RQ2 IDS内で異常を検出する際、機械学習技術はどのように機能しますか？
• RQ3 MLベースのIDS性能向上における特徴選択の役割は何ですか？
• RQ4 信頼性の高いIDSのために、偽陽性・真陽性のアラーム率をどのようにモデル化し解釈できますか？

主な発見

• 本論文は、侵入検知システムにおける浅層および深層ネットワークの分類体系と調査を提供します。
• 特徴選択がMLベースのIDSの有効性に与える影響を論じています。
• 信頼性の高いIDSのモデリングを支援するために、偽陽性・真陽性のアラーム率についての議論を提供します。
• 本研究は、過去と現在の研究の両方を統合して、ML技術とIDS性能を結びつけます。