[논문 리뷰] Deep Neural Networks based Meta-Learning for Network Intrusion Detection

Anabia Sohail, Bibi Ayisha외 4명|arXiv (Cornell University)|2023. 02. 18.

Network Security and Intrusion Detection인용 수 5

한 줄 요약

이 논문은 깊이 있는 메타학습 프레임워크인 INFUSE를 제안한다. 이는 희소 자동에코더와 앙상블 메타학습자를 사용하여 결합된 결정 및 특징 공간을 활용하는 네트워크 침입 탐지 기법이다. Test+ 데이터셋에서 F-스코어 0.91, 정확도 91.6%, 재현율 0.94를 기록하여 불균형하고 변화하는 네트워크 트래픽 데이터에서 새로운 공격 유형과 희귀 공격 유형에 대해 강력한 일반화 성능을 입증한다.

ABSTRACT

The digitization of different components of industry and inter-connectivity among indigenous networks have increased the risk of network attacks. Designing an intrusion detection system to ensure security of the industrial ecosystem is difficult as network traffic encompasses various attack types, including new and evolving ones with minor changes. The data used to construct a predictive model for computer networks has a skewed class distribution and limited representation of attack types, which differ from real network traffic. These limitations result in dataset shift, negatively impacting the machine learning models' predictive abilities and reducing the detection rate against novel attacks. To address the challenges, we propose a novel deep neural network based Meta-Learning framework; INformation FUsion and Stacking Ensemble (INFUSE) for network intrusion detection. First, a hybrid feature space is created by integrating decision and feature spaces. Five different classifiers are utilized to generate a pool of decision spaces. The feature space is then enriched through a deep sparse autoencoder that learns the semantic relationships between attacks. Finally, the deep Meta-Learner acts as an ensemble combiner to analyze the hybrid feature space and make a final decision. Our evaluation on stringent benchmark datasets and comparison to existing techniques showed the effectiveness of INFUSE with an F-Score of 0.91, Accuracy of 91.6%, and Recall of 0.94 on the Test+ dataset, and an F-Score of 0.91, Accuracy of 85.6%, and Recall of 0.87 on the stringent Test-21 dataset. These promising results indicate the strong generalization capability and the potential to detect network attacks.

연구 동기 및 목표

• 왜곡되고 변화하는 공격 분포로 인한 데이터셋 이동과 클래스 불균형 문제를 해결하기 위해.
• 학습 데이터에 적게 포함된 희귀 및 새로운 공격 유형에 대한 탐지 성능 향상을 위해.
• 다양한 분류기 통합 및 공격 유형의 의미적 표현 학습을 통해 모델의 일반화 능력을 향상시키기 위해.
• 다양한 결정 공간과 특징 공간을 효과적으로 통합하는 메타학습 프레임워크를 개발하기 위해.
• 실제 불균형 조건에서 현실적인 환경에서의 데이터 이동을 고려해 프레임워크를 엄격한 기준 데이터셋에서 평가하기 위해.

제안 방법

• 다양한 기초 분류기 다섯 대의 결정 출력과 학습된 특징 표현을 조합하여 하이브리드 특징 공간을 구축한다.
• 특징 공간에서 공격 유형 간 의미적 관계를 추출하기 위해 깊이 있는 희소 자동에코더를 사용한다.
• 최종 결정을 내리기 위해 하이브리드 특징 공간 전반의 예측을 통합하기 위해 딥 네ural 네트워크를 메타학습자로 활용한다.
• 융합된 표현에 대해 메타학습자를 훈련시켜 새로운 공격 패tern에 대한 강건성과 일반화 능력을 향상시킨다.
• 특징 수준과 결정 수준의 융합을 통합하여 표현 학습과 예측 성능을 향상시킨다.
• 실제 세계의 데이터 이동 조건을 반영하여 기준 데이터셋에 대해 프레임워크를 종단 간(end-to-end)으로 적용하여 탐지 성능을 평가한다.

실험 결과

연구 질문

• RQ1 메타학습 프레임워크는 불균형 데이터셋에서 새로운 공격 및 희귀 공격 탐지 성능을 향상시킬 수 있는가?
• RQ2 하이브리드 특징 공간과 결정 공간 융합은 침입 탐지에서 모델의 일반화 능력을 향상시키는 데 얼마나 효과적인가?
• RQ3 희소 자동에코더는 공격 유형의 의미적 표현 학습을 얼마나 향상시키는가?
• RQ4 딥 메타학습자는 데이터셋 이동과 클래스 불균형 문제를 다룰 때 기존 앙상블 방법보다 뛰어난 성능을 보이는가?
• RQ5 제안된 INFUSE 프레임워크는 엄격하고 현실적인 기준 데이터셋에서 어떻게 성능을 발휘하는가?

주요 결과

• INFUSE는 Test+ 데이터셋에서 F-스코어 0.91, 정확도 91.6%, 재현율 0.94를 기록하여 희귀 및 새로운 공격에 대해 강력한 성능을 보였다.
• 더 엄격한 Test-21 데이터셋에서는 F-스코어 0.91, 정확도 85.6%, 재현율 0.87로 높은 성능을 유지하였다.
• 결정 공간과 특징 공간의 통합은 개별 분류기 대비 탐지 강건성을 크게 향상시켰다.
• 희소 자동에코더는 공격 유형 간 의미적 관계를 효과적으로 포착하여 표현 학습을 향상시켰다.
• 딥 메타학습자는 특히 새로운 공격 변종에 대한 데이터가 적은 환경에서 뛰어난 일반화 능력을 보였다.
• 실제 불균형 데이터 조건에서 기준 데이터셋에서 기존 기법들을 초월하는 성능을 보였다.