[논문 리뷰] Shallow and Deep Networks Intrusion Detection System: A Taxonomy and Survey

Elike Hodo, Xavier Bellekens외 3명|arXiv (Cornell University)|2017. 01. 09.

Network Security and Intrusion Detection참고 문헌 97인용 수 211

한 줄 요약

이 논문은 얕은 네트워크와 심층 네트워크를 사용하는 침입 탐지 시스템의 분류와 조사를 제시하며, 특징 선택과 거짓양성/참양성의 균형을 강조한다.

ABSTRACT

Intrusion detection has attracted a considerable interest from researchers and industries. The community, after many years of research, still faces the problem of building reliable and efficient IDS that are capable of handling large quantities of data, with changing patterns in real time situations. The work presented in this manuscript classifies intrusion detection systems (IDS). Moreover, a taxonomy and survey of shallow and deep networks intrusion detection systems is presented based on previous and current works. This taxonomy and survey reviews machine learning techniques and their performance in detecting anomalies. Feature selection which influences the effectiveness of machine learning (ML) IDS is discussed to explain the role of feature selection in the classification and training phase of ML IDS. Finally, a discussion of the false and true positive alarm rates is presented to help researchers model reliable and efficient machine learning based intrusion detection systems.

연구 동기 및 목표

• 침입 탐지 시스템을 얕은 네트워크 접근 방식과 심층 네트워크 접근 방식으로 분류한다.
• 기존 ML 기반 IDS의 분류학과 조사 및 성능을 제시한다.
• ML 기반 IDS 학습 및 분류에서 특징 선택의 역할에 대해 논의한다.
• 거짓 양성 및 참 양성 경보률이 신뢰할 수 있는 IDS 설계에 어떤 영향을 미치는지 설명한다.

제안 방법

• 이전 연구와 현행 연구로부터 얕은 네트워크 및 심층 신경망 침입 탐지 시스템의 분류학을 구축한다.
• IDS에 사용되는 기계학습 기법과 이상 탐지 성능을 검토한다.
• 특징 선택을 분류기 학습 및 정확도에 영향을 주는 핵심 요인으로 논의한다.
• 신뢰할 수한 IDS 설계를 안내하기 위한 경보 비율 지표(거짓/참 양성)에 대한 논의를 제공한다.

실험 결과

연구 질문

• RQ1 침입 탐지를 위해 사용되는 기존의 얕은 네트워크 및 심층 네트워크 접근 방식은 무엇인가?
• RQ2 IDS 내에서 이상 탐지를 위해 기계학습 기법이 어떻게 수행되는가?
• RQ3 ML 기반 IDS 성능 향상에 있어 특징 선택의 역할은 무엇인가?
• RQ4 신뢰할 수한 IDS를 위해 거짓 양성 및 참 양성 경보율을 어떻게 모델링하고 해석할 수 있는가?

주요 결과

• 본 논문은 침입 탐지 시스템에서 얕은 네트워크와 심층 네트워크의 분류학과 조사를 제공한다.
• 특징 선택이 ML 기반 IDS의 효과에 미치는 영향을 논의한다.
• 신뢰 가능한 IDS 모델링을 돕기 위한 거짓 양성 및 참 양성 경보율에 대한 논의를 제공한다.
• 선행 연구와 현행 연구를 모두 종합하여 ML 기법을 IDS 성능에 매핑한다.