네트워크 침입 탐지를 위해 CICIDS2017 데이터셋으로 학습한 Stacked Sparse Autoencoder-DeepCNN 모델 = Stacked Sparse Autoencoder-DeepCNN Model Trained on CICIDS2017 Dataset for Network Intrusion Detection

다국어 초록 (Multilingual Abstract)

Service providers using edge computing provide a high level of service. As a result, devices store important information in inner storage and have become a target of the latest cyberattacks, which are more difficult to detect. Although experts use a security system such as intrusion detection systems, the existing intrusion systems have low detection accuracy. Therefore, in this paper, we proposed a machine learning model for more accurate intrusion detections of devices in edge computing. The proposed model is a hybrid model that combines a stacked sparse autoencoder (SSAE) and a convolutional neural network (CNN) to extract important feature vectors from the input data using sparsity constraints. To find the optimal model, we compared and analyzed the performance as adjusting the sparsity coefficient of SSAE. As a result, the model showed the highest accuracy as a 96.9% using the sparsity constraints. Therefore, the model showed the highest performance when model trains only important features.

국문 초록 (Abstract)

엣지 컴퓨팅을 사용하는 서비스 공급업체는 높은 수준의 서비스를 제공한다. 이에 따라 다양하고 중요한 정보들이 단말 장치에 저장되면서 탐지하기 더욱 어려운 최신 사이버 공격의 핵심 목표가 됐다. 보안을 위해 침입 탐지시스템과 같은 보안 시스템이 자주 활용되지만, 기존의 침입 탐지 시스템은 탐지 정확도가 낮은 문제점이 존재한다. 따라서 본 논문에서는 엣지 컴퓨팅에서 단말 장치의 더욱 정확한 침입 탐지를 위한 기계 학습 모델을 제안한다. 제안하는 모델은 희소성 제약을 사용하여 입력 데이터의 중요한 특징 벡터들을 추출하는 stacked sparse autoencoder (SSAE)와 convolutional neural network (CNN)를 결합한 하이브리드 모델이다. 최적의 모델을 찾기위해 SSAE의 희소성 계수를 조절하면서 모델의 성능을 비교 및 분석했다. 그 결과 희소성 계수가 일 때 96.9%로 가장 높은 정확도를 보여주었다. 따라서 모델이 중요한 특징들만 학습할 경우 더 높은 성능을 얻을 수 있었다.

참고문헌 (Reference)

• 1 이종화, "데이터의 불균형성을 제거한 네트워크 침입 탐지 모델 비교 분석" 한국통신학회 23 (23): 18-28, 2020
• 2 Iman Sharafaldin, "Toward generating a new intrusion detection dataset and intrusion traffic characterization" 108-116, 2018
• 3 Andrew NG, "Sparse autoencoder" 72 : 1-19, 2011
• 4 Iftikhar Ahmad, "Performance comparison of support vector machine, random forest, and extreme learning machine for intrusion detection" 6 : 33789-33795, 2018
• 5 Joohwa Lee, "Network intrusion detection system using feature extraction based on deep sparse autoencoder" 21-23, 2020
• 6 GwiHoon Kim, "Machine learning technology trends in the network" 34 (34): 38-44, 2017
• 7 Peilun Wu, "LuNet: a deep neural network for network intrusion detection" 617-624, 2019
• 8 Arif Yulianto, "Improving adaboost-based intrusion detection system (IDS) performance on CICIDS2017 dataset" 1192 (1192): 012018-, 2019
• 9 BingHao Yan, "Effective feature extraction via stacked sparse autoencoder to improve intrusion detection system" 6 : 41238-41248, 2018
• 10 Jiale Zhang, "Data security and privacy-preserving in edge computing paradigm : survey and open issues" 6 : 18209-18237, 2018
• 11 Ziadoon Kamil Maseer, "Benchmarking of machine learning for anomaly based intrusion detection systems in the CICIDS2017 dataset" 9 : 22351-22370, 2021
• 12 AeChan Kim, "Ai-ids : application of deep learning to real-time web intrusion detection" 8 : 70245-70261, 2020
• 13 Imtiaz Ullah, "A two-level hybrid model for anomalous acitivity detection in iot networks" 1-6, 2019
• 14 Jesper Van Engelen, "A survey on semi-supervised learning" 109 (109): 373-440, 2019
• 15 Prachiti Parkar, "A survey on cyber security IDS using ML methods" 352-360, 2021
• 16 Sydney Mambwe Kasongo, "A deep learning method wih filter based feature engineering for wireless intrusion detection system" 7 : 38597-38607, 2019
• 17 Meliboev Azizjon, "1D CNN based network intrusion detection with normalization on imbalanced data" 218-224, 2020