[논문 리뷰] A Novel Dimension Reduction Scheme for Intrusion Detection Systems in IoT Environments

Amir Andalib, Vahid Tabataba Vakili|arXiv (Cornell University)|2020. 07. 12.

Network Security and Intrusion Detection참고 문헌 11인용 수 6

한 줄 요약

이 논문은 자원이 제한된 환경에서 침입 탐지 시스템을 구현하기 위해 비대칭 딥 오토에인코더(AE) 기반 차원 축소 기법을 제안한다. 이 기법은 자원이 제한된 장치에서 경량이고 저계산량의 압축을 가능하게 하며, 중앙 서버에서 효율적인 탐지가 가능하다. 이 방법은 세 가지 벤치마크 데이터셋에서 최대 90%의 데이터 압축(3D 잠재 공간)을 달성하면서도 탐지 정확도의 손실를 최소화한다.

ABSTRACT

Internet of Things (IoT) brings new challenges to the security solutions of computer networks. So far, intrusion detection system (IDS) is one of the effective security tools, but the vast amount of data that is generated by heterogeneous protocols and "things" alongside the constrained resources of the hosts, make some of the present IDS schemes defeated. To grant IDSs the ability of working in the IoT environments, in this paper, we propose a new distributed dimension reduction scheme which addresses the limited resources challenge. A novel autoencoder (AE) designed, and it learns to generate a latent space. Then, the constrained hosts/probes use the generated weights to lower the dimension with a single operation. The compressed data is transferred to a central IDS server to verify the traffic type. This scheme aims to lower the needed bandwidth to transfer data by compressing it and also reduce the overhead of the compression task in the hosts. The proposed scheme is evaluated on three well-known network traffic datasets (UNSW-NB15, TON\_IoT20 and NSL-KDD), and the results show that we can have a 3-dimensional latent space (about 90\% compression) without any remarkable fall in IDS detection accuracy.

연구 동기 및 목표

• 자원이 제한된 IoT 장치에서 효과적인 침입 탐지 시스템(IDS)을 구현하기 위한 계산 및 저장 자원의 제한 문제를 해결하기 위해.
• 전송 전에 고용량 네트워크 트래픽 데이터를 압축하여 IoT 환경에서 네트워크 대역폭 사용을 줄이기 위해.
• 가벼운 오토에인코더 모델을 사용하여 엣지 장치에서 효율적이고 저비용의 차원 축소를 구현하기 위해.
• 중앙 집중식 고정밀도 의사결정 엔진을 통해 상당한 데이터 압축에도 불구하고 높은 IDS 탐지 정확도를 유지하기 위해.
• 현대 IoT 및 네트워크 트래픽을 대표하는 다양한 실제 네트워크 트래픽 데이터셋을 기반으로 제안된 기법을 평가하기 위해.

제안 방법

• 전체 네트워크 트래픽 데이터셋을 중심 서버에서 딥 오토에인코더(AE)로 훈련하여 압축된 잠재 공간 표현을 학습한다.
• 훈련된 인코더 가중치를 자원이 제한된 IoT 장치(프로브)에 배포하여 단일 단계의 차원 축소를 수행한다.
• 잠재 공간을 3차원으로 축소하여 정보 손실가 최소화하면서 약 90%의 압축 비율을 달성한다.
• 압축된 데이터는 저대역폭 채널, 예를 들어 네트워크 또는 USB와 같은 고립된 매체를 통해 중앙 IDS 서버로 전송된다.
• 서버에서는 압축된 특징을 기반으로 트래픽을 정상 또는 악성으로 분류하기 위해 랜덤 포레스트(RF) 분류기를 사용한다.
• 비대칭 설계는 무거운 훈련(서버에서 수행)과 가벼운 추론(엣지 장치에서 수행)을 분리하여 엣지 측의 계산 비용을 최소화한다.

실험 결과

연구 질문

• RQ1 딥 오토에인코더는 IoT 환경에서 네트워크 트래픽 데이터를 효과적으로 압축하면서도 탐지에 관련된 특징을 유지할 수 있는가?
• RQ2 오토에인코더를 통한 차원 축소는 IoT 침입 탐지 시스템에서 얼마나 많은 대역폭 사용을 줄일 수 있는가?
• RQ3 압축된 잠재 표현을 사용할 때와 원본 데이터를 사용할 때 중앙 집중식 IDS의 탐지 정확도는 어떻게 비교되는가?
• RQ4 압축 효율성과 탐지 성능 사이의 균형을 고려할 때 최적의 잠재 공간 차원은 얼마인가?
• RQ5 제한된 IoT 장치에 실시간 트래픽 압축을 위해 경량의 추론 전용 오토에인코더를 효율적으로 구현할 수 있는가?

주요 결과

• 제안된 기법은 3차원 잠재 공간을 도입하여 약 90%의 데이터 압축을 달성하면서도 IDS 탐지 정확도의 유의미한 저하 없이 성능을 유지한다.
• UNSW-NB15 데이터셋에서 모델은 3D 잠재 공간으로의 압축 후에도 높은 탐지 성능을 유지한다.
• TON_IoT20 데이터셋 결과는 다양한 IoT 네트워크 트래픽 패턴에 걸쳐도 이 압축 기법의 강건성을 확인한다.
• NSL-KDD 데이터셋 평가 결과는 다양한 트래픽 프로파일 간의 일반화 능력을 검증하며, 방법의 타당성을 입증한다.
• 비대칭 오토에인코더 설계는 계산을 서버로 이관하여 엣지 장치에서 저계산량으로의 배포를 성공적으로 달성한다.
• 압축된 특징에 랜덤 포레스트 분류기를 적용한 결과 경쟁력 있는 탐지 정확도를 확보하여 학습된 잠재 표현의 정밀도를 확인한다.