[논문 리뷰] Cyber Threat Intelligence for Secure Smart City

Najla Al-Taleb, Nazar Abbas Saqib외 2명|arXiv (Cornell University)|2020. 07. 26.

Network Security and Intrusion Detection참고 문헌 40인용 수 8

한 줄 요약

이 논문은 스마트 시티에서 실시간 사이버 위협 지능(CTI)을 위한 복합 딥러닝 모델을 제안한다. 이 모델은 컨볼루션 신경망(CNN)과 준순환 신경망(QRNN)을 결합하여, 최신 기술 대비 뛰어난 위협 분류 성능를 달성하며, IoT 기반 도시 환경에서 위협을 더 빠르고 정확하게 탐지할 수 있도록 한다.

ABSTRACT

Smart city improved the quality of life for the citizens by implementing information communication technology (ICT) such as the internet of things (IoT). Nevertheless, the smart city is a critical environment that needs to secure it is network and data from intrusions and attacks. This work proposes a hybrid deep learning (DL) model for cyber threat intelligence (CTI) to improve threats classification performance based on convolutional neural network (CNN) and quasi-recurrent neural network (QRNN). We use QRNN to provide a real-time threat classification model. The evaluation results of the proposed model compared to the state-of-the-art models show that the proposed model outperformed the other models. Therefore, it will help in classifying the smart city threats in a reasonable time.

연구 동기 및 목표

• IoT 및 ICT 기반 스마트 시티 인fra에서 실시간으로 정확한 사이버 위협 탐지를 위한 점증하는 수요를 해결하기 위해.
• 스마트 시티에서 흔히 발생하는 동적이고 고속의 네트워크 트래픽을 처리하는 데 있어 기존 위협 분류 모델의 한계를 극복하기 위해.
• 저지연 시간을 지원하는 확장 가능한 딥러닝 기반 CTI 프레임워크를 개발하기 위해.
• 복잡하고 상호 연결된 도시 환경에서 위협 탐지 시스템의 성능을 향상시키기 위해.

제안 방법

• 제안된 모델은 네트워크 트래픽 데이터로부터 특징을 추출하기 위해 컨볼루션 신경망(CNN)을 통합한다.
• 실시간 처리를 위해 위협 데이터의 순차적 의존성을 모델링하기 위해 준순환 신경망(QRNN)을 활용한다.
• 복합 아키텍처는 CNN의 공간적 특징 학습 능력과 QRNN의 시간적 모델링 능력을 결합하여 분류 성능를 향상시킨다.
• 모델은 다양한 사이버 위협 유형을 나타내는 레이블이 부여된 네트워크 트래픽 데이터셋을 기반으로 훈련된다.
• 모델 평가는 정확도, 정밀도, 재현율, F1-스코어와 같은 표준 지표를 사용하여 성능를 비교한다.
• 프레임워크는 스마트 시티 네트워크 내 실시간 모니터링 시스템에 구현하기 위해 설계되었다.

실험 결과

연구 질문

• RQ1 어떻게 딥러닝 모델이 스마트 시티 환경에서 실시간으로 사이버 위협을 효과적으로 분류할 수 있는가?
• RQ2 기존 최신 기술 대비 복합 CNN-QRNN 모델의 위협 분류 성능는 어떠한가?
• RQ3 QRNN은 전통적인 RNN보다 더 빠른 추론 시간을 제공할 수 있으며, 동시에 사이버 위협에 대한 높은 분류 정확도를 유지할 수 있는가?
• RQ4 CNN과 QRNN의 통합이 IoT 기반 도시 시스템에서 복잡하고 진화하는 사이버 위협 탐지에 얼마나 기여하는가?

주요 결과

• 제안된 복합 CNN-QRNN 모델은 기존 최신 기술 대비 위협 분류 정확도에서 뛰어난 성능를 보였다.
• 모델은 높은 정밀도와 재현율을 달성하여, 알려진 및 신규 위협 패tern을 모두 신뢰성 있게 식별함을 시사한다.
• QRNN은 표준 RNN보다 더 빠른 추론을 가능하게 하여, 동적 스마트 시티 네트워크에서 실시간 배포를 지원한다.
• CNN과 QRNN의 통합은 특징 표현 및 시간적 모델링을 향상시켜, 복잡한 사이버 위협 탐지 성능을 향상시켰다.
• 모델은 DDoS, 악성코드, 탐색 공격 등 다양한 위협 유형을 분류하는 데 있어 뛰어난 강건성을 보였다.
• 평가 결과는 모델이 대규모 스마트 시티 인fra에서 저지연, 고정확도 사이버 위협 지능에 적합함을 확인했다.