내부정보유출 위험등급 판단을 위한 딥 러닝 모델 성능비교에 관한 연구
A Study on Performance Comparison for Risk classification of Internal data leakage depended on Deep Learning Model
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 기업 내부 정보 유출이 증가하고 있다. 내부 정보 유출의 대부분은 내부자에 의해 발생하고 있어, 회사는 이를 방지하기 위해 몇 가지 보안 솔루션을 적용하는 중이다. 그러나 사전에 정보 유출을 방지하는 데에는 한계가 있어 데이터 누출 감지에 딥 러닝 학습을 적용한 솔루션에 대한 연구가 부족한 실정이다. 본 논문에서는 다양한 심층 학습 모델을 적용하여 내부 데이터 유출 위험 분류를 판단하는 방법을 제안한다. 보안 이벤트는 내부 사용자 정보 유출의 위험을 결정하기 위해 보안 장치를 통해 얻은 보안 로그 및 사용자 정보를 매핑하여 각 사용자에 대해 생성하였다. 매핑된 데이터를 기반으로 한 교육 데이터가 생성되어 MLP, LSTM 및 GRU와 같은 심층 학습 모델에 적용되어 모델 간의 성능을 비교한다. 또한, 숨겨진 노드의 수와 활성화 함수가 변경되고 그 효과를 검사하였다. 실험 결과에 따르면 GRU 모델에 softmax 활성화 함수가 적용된 모델이 드롭 아웃 없이 가장 높은 성능과 93 %의 정확도를 보였다.
Abstract
Recently, there has been an increase in the leakage of internal information in the companies. Most of the internal information leakage is caused by insiders. Companies are applying several security solutions to prevent this. However, there is still a lack of research on solutions applying deep learning to detection of data leakage with limitations in preventing leakage in advance. In this paper, a method to judge internal data leakage risk classification is proposed by applying various deep learning models. Security events are generated for each user by mapping the security log and user information obtained through the security device to determine the risk of internal information leakage. Training data based on the mapped data is generated, and applied to deep learning models such as MLP, LSTM, and GRU to compare the performance between models. In addition, the number of hidden nodes and the activation function are changed and their effects are examined. Experimental results showed that the model with softmax activation function applied to the GRU model without dropout showed the highest performance and 93% accuracy.
참고문헌 (18)
- "2014 국가정보보호백서" (2014), 국가정보원
- McCulloch, S. Warren, "A logical calculus of the ideas immanent in nervous activity", The bulletin of mathematical biophysics, 5(4), pp.115~133 (1943), MLP
- Hochreiter, S., "Long shortterm memory", Neural computation, 9(8), pp.1735~1780 (1997)
- Junyoung Chung, "Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling (GRU)", ~
- K. Y. Tam, "Managerial applications of neural networks: the case of bank failure predictions", Management science, 38(7), pp.926~947 (1992)
- E. Collins, "An application of a multiple neural network learning system to emulation of mortgage underwriting judgments", Proceedings of the IEEE International Conference on Neural Networks, 2 (1988)
- 장일동, "통신시장에서 마이터 마이닝 분석", 한국정보과학회 학술발표논문집, 28(2), pp.1~3 (2001)
- R.A. Dunne, "On the pairing of the softmax activation and cross-entropy penalty functions and the derivation of the softmax activation function", Proc. 8th Aust. Conf. on the Neural Networks, pp.181~185 (1997)
- R. Rana, "Gated Recurrent Unit (GRU) for Emotion Classification from Noisy Speech", arXiv preprint arXiv:1612.07778, ~ (2016)
- W. Zaremba, "Recurrent neural network regularization", arXiv preprint arXiv:1409.2329, ~ (2014)
- S. R. Eddy, "Hidden markov models", Current opinion in structural biology, 6(3), pp.361~365 (1996)
- T. Rashid, "A New Take on Detecting Insider Threats: Exploring the use of Hidden Markov Models", Proceedings of the 2016 International Workshop on Managing Insider Security Threats. ACM, pp.47~56 (2016)
- 김현수, "내부자 정보 유출 탐지 방법에 관한 연구", 한국인터넷방송통신학회 논문지, 17(4), pp.11~17 (2017), 한국인터넷방송통신학회[DOI]
- W. T. Young, "Detecting unknown insider threat scenarios", Security and Privacy Workshops (SPW), 2014 IEEE, pp.277~288 (2014)
- 하동욱, "기계학습 기반 내부자위협 탐지기술: RNN Autoencoder를 이용한 비정상행위 탐지", 정보보호학회논문지, 27(4), pp.763~773 (2017), 한국정보보호학회[DOI]
- 박성만, "행위 이상점분석을 통한 기업내부자의 정보유출 방지", 한국통신학회 학술대회논문집, pp.94~95 (2016)
- E. Collins, "An application of a multiple neural network learning system to emulation of mortgage underwriting judgments", Proceedings of the IEEE International Conference on Neural Networks, 2 (1988)
- J. P. Egan, "Signal detection theory and {ROC} analysis", ~ (1975)