[论文解读] Cyber Threat Intelligence for Secure Smart City

Najla Al-Taleb, Nazar Abbas Saqib+2 more|arXiv (Cornell University)|Jul 26, 2020

Network Security and Intrusion Detection参考文献 40被引用 8

一句话总结

本文提出了一种结合卷积神经网络（CNN）与准循环神经网络（QRNN）的混合深度学习模型，用于智能城市中的实时网络威胁情报（CTI）。与最先进方法相比，该模型在威胁分类性能方面表现更优，能够更快、更准确地检测物联网驱动的城市环境中的网络威胁。

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.

研究动机与目标

• 为应对由物联网和ICT技术驱动的智能城市基础设施中日益增长的实时、精准网络威胁检测需求。
• 克服现有威胁分类模型在处理智能城市典型动态、高速网络流量方面的局限性。
• 开发一种可扩展的、基于深度学习的CTI框架，支持低延迟威胁分类。
• 提升复杂、互联的城市环境中威胁检测系统的性能。

提出的方法

• 所提出的模型利用卷积神经网络（CNN）从网络流量数据中提取特征。
• 采用准循环神经网络（QRNN）对威胁数据中的序列依赖关系进行建模，以支持实时处理。
• 混合架构结合了CNN的空间特征学习能力与QRNN的时间建模能力，以提升分类性能。
• 模型在标注的网络流量数据集上进行训练，涵盖多种类型的网络威胁。
• 通过准确率、精确率、召回率和F1分数等标准指标评估模型性能，以进行比较。
• 该框架专为部署于智能城市网络中的实时监控系统而设计。

实验结果

研究问题

• RQ1 如何在智能城市环境中，通过深度学习模型实现对网络威胁的实时有效分类？
• RQ2 与现有最先进模型相比，混合CNN-QRNN模型在威胁分类方面的性能表现如何？
• RQ3 QRNN是否能在保持高分类准确率的同时，实现比传统RNN更快的推理速度？
• RQ4 CNN与QRNN的集成在多大程度上提升了对物联网驱动城市系统中复杂、演化的网络威胁的检测能力？

主要发现

• 所提出的混合CNN-QRNN模型在威胁分类准确率方面优于现有最先进模型。
• 该模型实现了高精确率与高召回率，表明其在识别已知及新型威胁模式方面具有强可靠性。
• QRNN相比标准RNN实现了更快的推理速度，支持在动态智能城市网络中实时部署。
• CNN与QRNN的集成增强了特征表示与时间建模能力，从而提升了对复杂网络威胁的检测效果。
• 该模型在分类多种威胁类型方面表现出鲁棒性，包括DDoS攻击、恶意软件及侦察攻击。
• 评估结果证实，该模型适用于大规模智能城市基础设施中的低延迟、高精度网络威胁情报。