[논문 리뷰] A Network Intrusions Detection System based on a Quantum Bio Inspired Algorithm

Omar S. Soliman, Aliaa Rassem|arXiv (Cornell University)|2014. 05. 03.

Artificial Immune Systems Applications참고 문헌 24인용 수 6

한 줄 요약

이 논문은 추정 분포 알고리즘(EDA)을 통합한 양자-백신화된 면역 클론 알고리즘(QVICA-with-EDA)을 사용하는 새로운 네트워크 침입 탐지 시스템(NIDS)을 제안한다. 하이브리드 생물학적 흠모 최적화 방법은 네트워크 트래픽에서 자동으로 분류 규칙을 학습함으로써 정확도를 향상시켜 KDD 컵 1999 데이터셋에서 94.8%의 탐지 정확도를 달성하며, 기존 PSO 기반 기준 시스템을 능가한다.

ABSTRACT

Network intrusion detection systems (NIDSs) have a role of identifying malicious activities by monitoring the behavior of networks. Due to the currently high volume of networks trafic in addition to the increased number of attacks and their dynamic properties, NIDSs have the challenge of improving their classification performance. Bio-Inspired Optimization Algorithms (BIOs) are used to automatically extract the the discrimination rules of normal or abnormal behavior to improve the classification accuracy and the detection ability of NIDS. A quantum vaccined immune clonal algorithm with the estimation of distribution algorithm (QVICA-with EDA) is proposed in this paper to build a new NIDS. The proposed algorithm is used as classification algorithm of the new NIDS where it is trained and tested using the KDD data set. Also, the new NIDS is compared with another detection system based on particle swarm optimization (PSO). Results shows the ability of the proposed algorithm of achieving high intrusions classification accuracy where the highest obtained accuracy is 94.8 %.

연구 동기 및 목표

• 고체적이고 동적인 네트워크 트래픽과 진화하는 공격 패tern으로 인해 기존 NIDS에서 낮은 분류 정확도와 탐지 능력을 겪는 문제를 해결하기 위해.
• 정상 및 악성 네트워크 행동을 구분하는 규칙을 자동으로 추출할 수 있는 생물학적 흠모 최적화 알고리즘을 활용하여 침입 탐지 성능을 향상시키기 위해.
• 수렴 속도와 분류 정확도를 향상시키는 하이브리드 양자-생물학적 흠모 알고리즘을 설계하기 위해.
• 기존 최적화 기반 NIDS, 특히 입자 군집 최적화(PSO)를 사용하는 시스템과의 비교를 통해 제안된 시스템을 평가하기 위해.

제안 방법

• 제안된 시스템은 침입(항원)을 인식하고 반응할 수 있는 면역 체계의 능력을 모사하기 위해 양자-백신화된 면역 클론 알고리즘(QVICA)을 사용한다.
• QVICA는 유망한 해의 확률 분포를 모델링함으로써 검색 효율성과 수렴성을 향상시키기 위해 추정 분포 알고리즘(EDA)으로 강화된다.
• 하이브리드 QVICA-with-EDA 알고리즘은 네트워크 침입 탐지 시스템의 표준 벤치마크인 KDD 컵 1999 데이터셋에서 훈련 및 테스트된다.
• 알고리즘 성능 향상과 차원 축소를 위해 데이터셋에 특징 선택 및 정규화가 적용된다.
• 검출 정확도를 기반으로 한 적합도 평가에 따라 선택, 돌연변이 및 클로닝을 통해 항체(잠재적 해)로 구성된 인구집단이 진화된다.
• 최적화 반복 주기 후 최고 성능을 보인 항체들로부터 최종 분류 모델이 유도된다.

실험 결과

연구 질문

• RQ1 양자-생물학적 흠모 최적화 알고리즘이 네트워크 침입 탐지 시스템의 분류 정확도를 향상시킬 수 있는가?
• RQ2 추정 분포(EDA)의 통합이 침입 탐지에서 양자-백신화된 면역 클론 알고리즘(QVICA)의 성능을 어떻게 향상시키는가?
• RQ3 제안된 QVICA-with-EDA 방법은 입자 군집 최적화(PSO)를 사용하는 기존 최적화 기반 NIDS를 능가하는가?
• RQ4 제안된 하이브리드 알고리즘이 KDD 컵 1999 데이터셋에서 도달할 수 있는 최대 탐지 정확도는 얼마인가?

주요 결과

• 제안된 QVICA-with-EDA 알고리즘은 KDD 컵 1999 데이터셋에서 최대 94.8%의 침입 분류 정확도를 달성했다.
• 입자 군집 최적화(PSO) 기반 NIDS와 비교해 우수한 탐지 성능을 보이며, 하이브리드 양자-생물학적 흠모 접근 방식의 효과성을 입증했다.
• EDA를 QVICA에 통합함으로써 높은 성능을 보이는 항체 후보의 분포를 모델링함으로써 수렴 속도와 해 품질이 향상되었다.
• 진화적 최적화를 통해 정상 및 비정상 네트워크 행동을 위한 의미 있는 분류 규칙을 성공적으로 추출했다.