[논문 리뷰] Zero-Day Threats Detection for Critical Infrastructures

Mike Nkongolo, Mahmut Tokmak|arXiv (Cornell University)|2023. 06. 10.

Network Security and Intrusion Detection인용 수 5

한 줄 요약

이 논문은 임계 인프라에서 제로데이 공격 탐지를 위한 퍼지 논리 기반 계산 프레임워크를 제안하며, 퍼지화를 통한 특성 선택과 앙상블 기계 학습 모델을 통합한다. NSL-KDD 및 UGRansome 데이터셋에서 평가한 결과, 프레임워크는 뛰어난 성능을 보였으며, 특히 랜덤 포레스트와 XGBoost 모델이 이전에 알려지지 않은(제로데이) 공격을 탐지하는 데 최고의 성능을 보였다.

ABSTRACT

Technological advancements in various industries, such as network intelligence, vehicle networks, e-commerce, the Internet of Things (IoT), ubiquitous computing, and cloud-based applications, have led to an exponential increase in the volume of information flowing through critical systems. As a result, protecting critical infrastructures from intrusions and security threats have become a paramount concern in the field of intrusion detection systems (IDS). To address this concern, this research paper focuses on the importance of defending critical infrastructures against intrusions and security threats. It proposes a computational framework that incorporates feature selection through fuzzification. The effectiveness and performance of the proposed framework is evaluated using the NSL-KDD and UGRansome datasets in combination with selected machine learning (ML) models. The findings of the study highlight the effectiveness of fuzzy logic and the use of ensemble learning to enhance the performance of ML models. The research identifies Random Forest (RF) and Extreme Gradient Boosting (XGB) as the top performing algorithms to detect zero-day attacks. The results obtained from the implemented computational framework outperform previous methods documented in the IDS literature, reaffirming the significance of safeguarding critical infrastructures from intrusions and security threats.

연구 동기 및 목표

• IoT, 클라우드 및 네트워크 기반 시스템에서 증가하는 데이터 볼륨으로 인해 임계 인프라를 제로데이 사이버 위협으로부터 보호하는 데 있어 증가하는 과제를 해결하기 위해.
• 고차원 데이터에서 효과적인 특성 선택을 위해 퍼지 논리를 통합함으로써 침입 탐지 시스템(IDS) 성능을 향상시키기 위해.
• 특히 랜덤 포레스트와 XGBoost를 포함한 앙상블 기계 학습 모델이 이전에 알려지지 않은(제로데이) 공격을 탐지하는 데 얼마나 효과적인지 평가하기 위해.
• 실제 기준 데이터셋을 사용하여 기존 IDS 방법에 비해 탐지 정확도와 내구성 측면에서 뛰어난 성능을 보이기 위해.

제안 방법

• 프레임워크는 차원 축소와 침입 탐지에 적합한 입력 특성의 관련성을 향상시키기 위해 퍼지화 기반 특성 선택을 활용한다.
• 랜덤 포레스트와 초급속 기계 학습(Extreme Gradient Boosting, XGBoost)을 포함한 여러 기계 학습 모델을 앙상블 학습 전략에 통합하여 탐지 내구성을 향상시킨다.
• 시스템은 다양한 네트워크 트래픽 패턴을 반영하는 표준 IDS 기준 데이터셋인 NSL-KDD와 UGRansome에서 훈련 및 검증된다.
• 퍼지 논리는 날것의 입력 특성을 언어적 변수로 변환하여 네트워크 데이터의 불확실성과 노이즈를 더 잘 다룰 수 있도록 한다.
• 정확도, 정밀도, 재현율 및 F1-스코어와 같은 표준 분류 지표를 사용하여 여러 기계 학습 모델을 기반으로 성능을 평가한다.
• 앙상블 학습의 강점을 활용하여 과적합을 줄이고, 알려지지 않은 제로데이 공격 패tern에 대한 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 퍼지 논리 기반 특성 선택은 임계 인프라 내 제로데이 위협 탐지에서 기계 학습 모델의 성능을 향상시킬 수 있는가?
• RQ2 랜덤 포레스트 또는 XGBoost 중 어떤 앙상블 기계 학습 모델이 제로데이 공격 식별에 더 높은 탐지 정확도와 내구성을 보여주는가?
• RQ3 기존 IDS 방법에 비해 제안된 프레임워크는 표준 기준 데이터셋에서 탐지 성능 측면에서 어떻게 비교되는가?
• RQ4 퍼지화 통합이 모델의 일반화 능력과 새로운 공격 패턴에 대한 저항력 향상에 얼마나 기여하는가?

주요 결과

• 제안된 프레임워크는 IDS 문헌에 보고된 이전 방법들보다 뚜렷이 뛰어난 성능을 보이며, 제로데이 위협 탐지 능력이 향상됨을 입증했다.
• 랜덤 포레스트(RF)와 초급속 기계 학습(XGB)이 NSL-KDD 및 UGRansome 데이터셋 양쪽에서 가장 높은 탐지 정확도를 기록하며 최고의 성능을 보였다.
• 퍼지 논리 기반 특성 선택은 네트워크 트래픽 데이터에서 의미적으로 관련 있는 특성에 집중함으로써 노이즈를 줄여 모델 성능 향상에 기여했다.
• 앙상블 학습 접근법은 특히 알려지지 않은(제로데이) 공격 서명을 탐지하는 데 있어 모델의 내구성을 향상시켰다.
• 높은 F1-스코어와 균형 잡힌 정밀도-재현율 트레이드오프를 달성하여, 알려지지 않은 공격 패턴에 대한 강력한 일반화 능력을 보였다.