[논문 리뷰] A Dependable Hybrid Machine Learning Model for Network Intrusion Detection

Md. Alamin Talukder, Khondokar Fida Hasan외 6명|arXiv (Cornell University)|2022. 12. 08.

Network Security and Intrusion Detection인용 수 23

한 줄 요약

이 논문은 SMOTE 데이터 균형 조정과 XGBoost 특성 선택을 ML/DL 분류기와 결합한 의존적인 하이브리드 IDS를 제안하여 KDDCUP’99 및 CIC-MalMem-2022 데이터세트에서 높은 정확도를 달성하며 KDDCUP’99에서 최대 99.99% 정확도 및 CIC-MalMem-2022에서 100%를 보고하되 과적합 없이.

ABSTRACT

Network intrusion detection systems (NIDSs) play an important role in computer network security. There are several detection mechanisms where anomaly-based automated detection outperforms others significantly. Amid the sophistication and growing number of attacks, dealing with large amounts of data is a recognized issue in the development of anomaly-based NIDS. However, do current models meet the needs of today's networks in terms of required accuracy and dependability? In this research, we propose a new hybrid model that combines machine learning and deep learning to increase detection rates while securing dependability. Our proposed method ensures efficient pre-processing by combining SMOTE for data balancing and XGBoost for feature selection. We compared our developed method to various machine learning and deep learning algorithms to find a more efficient algorithm to implement in the pipeline. Furthermore, we chose the most effective model for network intrusion based on a set of benchmarked performance analysis criteria. Our method produces excellent results when tested on two datasets, KDDCUP'99 and CIC-MalMem-2022, with an accuracy of 99.99% and 100% for KDDCUP'99 and CIC-MalMem-2022, respectively, and no overfitting or Type-1 and Type-2 issues.

연구 동기 및 목표

• 침입 탐지 데이터셋의 데이터 불균형 문제를 해결하고 정확도 외의 성능 지표(예: 정밀도, 재현율, F1, 혼동 행렬)에 미치는 영향을 평가한다.
• 데이터 균형 조정, 특징 선택, 차원 축소를 결합하여 탐지 효율성과 일반화를 개선하는 신뢰할 수 있는 IDS 파이프라인을 개발한다.
• 이진 및 다중레이블 침입 탐지 작업에 대한 하이브리드 ML/DL 프레임워크 내에서 가장 효과적인 분류기를 식별한다.
• 제안된 모델의 정확도, 가용성, 확장성에 초점을 맞춘 의존성 분석을 시연한다.

제안 방법

• 비균형 침입 데이터세트를 균형 있게 만들기 위해 SMOTE를 적용한다.
• 중요한 특징을 보존하면서 차원을 축소하기 위해 임베디드 특징 선택에 XGBoost를 사용한다.
• 선택된 특징 하위집합을 사용하여 여러 분류기(RF, DT, KNN, MLP, CNN, ANN)를 훈련하고 비교한다.
• 정확도, 정밀도, 재현율, F1-점수, AUC, ROC, MAE, MSE, RMSE, 혼동 행렬을 포함한 지표로 성능을 평가하여 타입-1 및 타입-2 오류를 평가한다.
• 정확도, 가용성, 확장성과 관련된 지표를 통해 의존성을 분석한다.

실험 결과

연구 질문

• RQ1 SMOTE 균형 조정과 XGBoost 특징 선택을 결합하면 불균형 데이터세트에서 침입 탐지 성능을 향상시키고 과적합을 감소시킬 수 있는가?
• RQ2 제안된 하이브드 파이프라인에서 이진 및 다중레이블 침입 탐지 작업에 대해 어떤 ML/DL 분류기가 가장 좋은 성능을 보이는가?
• RQ3 하이브리드 모델이 KDDCUP’99 및 CIC-MalMem-2022 데이터세트에서 높은 정확도를 유지하면서 타입-1 및 타입-2 오류를 최소화하는가?
• RQ4 XGBoost를 통한 차원 축소가 학습 효율성과 전반적인 탐지 성능에 어떤 영향을 미치는가?

주요 결과

• 하이브리드 모델은 KDDCUP’99(99.99%) 및 CIC-MalMem-2022(100%)에서 매우 높은 정확도를 달성했다.
• SMOTE는 정확도를 희생하지 않으면서 정밀도, 재현율 및 F1을 향상시키기 위해 데이터세트를 효과적으로 균형 있게 만든다.
• XGBoost 기반 특징 선택은 차원을 축소하면서 여러 ML/DL 분류기에서 높은 성능을 가능하게 한다.
• 테스트된 분류기(RF, DT, KNN, MLP, CNN, ANN) 전반에 걸쳐 제안된 파이프라인은 과적합 위험이 낮고 우호적인 타입-1/타입-2 오류 프로파일과 함께 높은 정확도를 제공한다.
• 이 접근법은 조사 맥락에서 최신 모델에 비해 정확도, 가용성, 확장성 측면에서 의존성을 입증한다.