[論文レビュー] A Network Intrusions Detection System based on a Quantum Bio Inspired Algorithm

Omar S. Soliman, Aliaa Rassem|arXiv (Cornell University)|May 3, 2014

Artificial Immune Systems Applications参考文献 24被引用数 6

ひとこと要約

本稿では、推定分布手法（EDA）を組み込んだ量子接種免疫クローン法（QVICA-with-EDA）を用いた新規ネットワークインシデント検出システム（NIDS）を提案する。ハイブリッド生物学的インスピレーション型最適化手法により、ネットワークトラフィックから自動的に識別ルールを学習し、分類精度を向上させ、KDD Cup 1999データセットで94.8%の検出精度を達成した。これは粒子群最適化（PSO）をベースとするベースラインシステムを上回る結果である。

ABSTRACT

Network intrusion detection systems (NIDSs) have a role of identifying malicious activities by monitoring the behavior of networks. Due to the currently high volume of networks trafic in addition to the increased number of attacks and their dynamic properties, NIDSs have the challenge of improving their classification performance. Bio-Inspired Optimization Algorithms (BIOs) are used to automatically extract the the discrimination rules of normal or abnormal behavior to improve the classification accuracy and the detection ability of NIDS. A quantum vaccined immune clonal algorithm with the estimation of distribution algorithm (QVICA-with EDA) is proposed in this paper to build a new NIDS. The proposed algorithm is used as classification algorithm of the new NIDS where it is trained and tested using the KDD data set. Also, the new NIDS is compared with another detection system based on particle swarm optimization (PSO). Results shows the ability of the proposed algorithm of achieving high intrusions classification accuracy where the highest obtained accuracy is 94.8 %.

研究の動機と目的

• 高容量で動的変化するネットワークトラフィックと進化を続ける攻撃パターンの影響により、従来のNIDSで低すぎる分類精度と検出能力が生じるという課題に対処すること。
• 正常および悪意あるネットワーク行動を区別するためのルールを自動的に抽出できる生物学的インスピレーション型最適化アルゴリズムを活用し、インシデント検出性能を向上させること。
• 収束速度と分類精度を向上させるハイブリッド量子的・生物学的インスピレーション型アルゴリズムを設計すること。
• 特に粒子群最適化（PSO）を用いた既存の最適化ベースNIDSと比較して、提案手法の性能を評価すること。

提案手法

• 提案手法は、抗原（インシデント）を認識・応答する能力を模倣するため、量子接種免疫クローン法（QVICA）を用いて免疫系の挙動をシミュレートする。
• QVICAは、有望な解の確率分布をモデル化することで、探索効率と収束性を向上させる推定分布手法（EDA）によって強化される。
• ハイブリッドQVICA-with-EDAアルゴリズムは、インシデント検出システムの標準ベンチマークとして用いられるKDD Cup 1999データセット上で訓練およびテストされた。
• アルゴリズムの性能向上と次元削減のため、特徴選択と正規化がデータセットに適用された。
• 適合度評価（検出精度に基づく）に従い、選択、変異、クローン増殖を経て、抗体（潜在的解）の集団が進化する。
• 反復的最適化サイクルの後、最良の性能を示した抗体から最終的な分類モデルが導出された。

実験結果

リサーチクエスチョン

• RQ1 量子的・生物学的インスピレーション型最適化アルゴリズムは、ネットワークインシデント検出システムの分類精度を向上させることができるか？
• RQ2 推定分布（EDA）の統合が、インシデント検出における量子接種免疫クローン法の性能にどのように寄与するか？
• RQ3 提案されたQVICA-with-EDA手法は、粒子群最適化（PSO）を用いた既存の最適化ベースNIDSを上回るか？
• RQ4 KDD Cup 1999データセットにおいて、提案されたハイブリッドアルゴリズムが達成可能な最大検出精度は何か？

主な発見

• 提案されたQVICA-with-EDAアルゴリズムは、KDD Cup 1999データセットで最大94.8%のインシデント分類精度を達成した。
• 粒子群最適化（PSO）をベースとするNIDSと比較して、本システムは優れた検出性能を示した。これは、ハイブリッド量子的・生物学的インスピレーション型アプローチの有効性を示している。
• EDAの統合により、高性能な抗体候補の分布をモデル化することで、収束速度と解の質が向上した。
• 進化的最適化を通じて、正常および異常なネットワーク行動を識別する意味のある識別ルールが効果的に抽出された。