침입탐지를 위한 랜덤포레스트 모형의 효과적인 구조: NSL-KDD 데이터셋을 중심으로
Effective Structure of Random Forest for Intrusion Detection: Focusing on NSL-KDD Dataset
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
인터넷 사용의 폭발적 증가에 따라 네트워크 장치 및 컴퓨팅 플랫폼의 취약점은 치명적인 결과를 초래한다. 따라서 네트워크 침입 공격에 대응하기 위해 침입 공격의 식별에 다양한 머신러닝 기술이 연구되며, 그중에서 랜덤포레스트는 침입탐지를 위한 모형의 구성에 유력한 역할을 하고 있다. 본 논문에서는 침입탐지를 위한 랜덤포레스트 연구에서 그동안 다루지 않은 모형의 구조와 선택방식을 정리하였다. 그리고 정리한 방식을 흔히 침입탐지 연구에 활용하는 NSL-KDD 데이터셋에 적용하여 모형을 구성하고 그 효과를 확인하였다. 기존의 연구에서는 주로 렌덤포레스트 모형의 정확도를 다른 방식의 모형과 비교하거나 또는 입력특성의 선정방식을 제시하는 경우가 대부분이었으나, 본 논문에서는 침입탐지 랜덤포레스트에서 효과적인 구조를 선택하는 대안을 제시하였으며, 침입탐지 정확도의 훼손없이 랜덤포레스트를 구성하는 의사결정나무의 최대깊이와 수, 그리고 입력특성을 효과적으로 구성할 수 있다.
Abstract
With the explosive growth of Internet use, network vulnerabilities cause fatal consequences. Therefore, for confronting network intrusions, machine learning methods have been studied to identify intrusion attacks, and among them, random forest plays a key role in models for intrusion detection. In this paper, we present the structure and selection method of models that have not been covered so far in random forest research for intrusion detection with the purpose of reduction of model size not lowering the level of performance compared with the common random forest models. Then, the organized method was applied to the NSL-KDD dataset, which is commonly used in intrusion detection research, to construct a model and confirm its effectiveness. While most of the existing studies have highlighted the accuracy of the random forest model with comparing it with other models or the selection method of input features, the method presented in this paper can be an alternative to construct and select an effective structure in the intrusion detection random forest including the maximum depth and number of decision trees and input features without compromising its accuracy of the intrusion detection.
참고문헌 (31)
- 권현, "딥뉴럴네트워크 기반의 네트워크 침입탐지시스템 설계", 한국차세대컴퓨팅학회 논문지, 16(1), pp.7~18 (2020)
- 김종헌, "대학마케팅의 빅데이터 도입에 관한 연구 : 육군사관학교의 대학이미지 분석을 중심으로", 산업혁신연구, 33(4), pp.29~72 (2017)
- 김태호, "빅데이터 분석을 활용한 체류형 울산관광 활성화 방안에 대한 제언", 산업혁신연구, 35(1), pp.47~76 (2019)
- 딘티퀸, "사회연결망분석을 통한 지배적 제품믹스 및 판매점 식별 : 체인소매점을 대상으로", 산업혁신연구, 32(4), pp.83~100 (2016)
- 윤한성, "특성중요도를 활용한 분류나무의 입력 특성 선택 효과 : 신용카드 고객이탈 사례", 디지털산업정보학회 논문지, 20(2), pp.1~10 (2024)
- 이우호, "네트워크 공격 탐지 성능 향상을 위한 딥러닝을 이용한 트래픽 데이터 생성 연구", 한국융합학회논문지, 10(11), pp.1~7 (2019)
- 진민우, "트래픽 속성 개수를 고려한 의사 결정 트리 DDoS 기반 분석", 한국정보통신학회논문지, 25(1), pp.69~74 (2021)
- Aggarwal, P., "Analysis of KDD dataset attributes-Class wise for intrusions detection", Procedia Computer Science, 57, pp.842~851 (2015)
- Amiri, F., "Mutual information based feature selection for intrusion detection systems", Journal of Network And Computer Applications, 34(4), pp.1184~1199 (2011)
- Chebrolu, S., "Feature deduction and ensemble design of intrusion detection systems", Comput. Secur, 24(4), pp.295~307 (2005)
- Chen, M., "Structured random forest for label distribution learning", Neurocomputing, 320, pp.171~182 (2018)
- Eastwood, M., "Generalised bottom-up pruning : A model level combination of decision trees", Expert Systems with Applications, 39, pp.9150~9158 (2012)
- Farnaaz, N., "Random forest modeling for network intrusion detection system", Procedia Computer Science, 89, pp.213~217 (2016)
- Fernandes, G., "A comprehensive survey on network anomalydetection", Telecommun. Syst., 70(3), pp.447~489 (2019)
- Hajisalem, V., "A hybrid intrusion detection system based on ABC-AFS algorithm for misuse and anomaly detection", Comput. Network, 136, pp.37~50 (2018)
- Ho, T. K., "The random subspace method for constructing decision forests", IEEE Trans. Pattern Anal. Mach. Intel., 20(8), pp.832~844 (1998)
- Joldzic, O., "A transparent and scalable anomaly-based DoS detection method", Comput. Network, 104, pp.27~42 (2016)
- "NSL-KDD" (2024)[URL]
- Khalilia, M., "Predicting disease risks from highly imbalanced data using random forest", BMC Med. Informat. Decis. Making, 11(1), pp.51~ (2011)
- Khraisat, A., "Hybrid intrusion detection system based on the stacking ensemble of c5 decision tree classifier and one class support vector machine", Electronics, 9(1), pp.173~ (2020)
- Oh, S., "Predictive case-based feature importance and interaction", Information Sciences, 593, pp.155~176 (2022)
- Sahli, Y., "A comparison of the NSL-KDD dataset and its predecessor the KDD Cup ’99 dataset", International Journal of Scientific Research and Management, 10(1), pp.832~839 (2022)
- Silivery, A. K., "A model for multi-attack classification to improve intrusion detection performance using deep learning approaches", Measurement : Sensors, 30, pp.100924~ (2023)
- Strobl, C., "Bias in random forest variable importance measures : Illustrations, sources and a solution", BMC Bioinformat, 8(1), pp.25~ (2007)
- Sun, Z., "An improved random forest based on the classification accuracy and correlation measurement of decision trees", Expert Systems with Applications, 237, pp.121549~ (2024)
- Tavallaee, M., "A detailed analysis of the KDD CUP '99 data set", Proceedings of the 2'nd IEEE int’l Conf. on CISDA'09, pp.53~58 (2009)
- Vibhute, A. D., "Towards detection of network anomalies using machine learning algorithms on the NSL-KDD benchmark datasets", Procedia Computer Science, 233, pp.960~969 (2024)
- Xiang, F., "Ensemble learning-based stability improvement method for feature selection towards performance prediction", Journal of Manufacturing Systems, 74(3), pp.55~67 (2024)
- Yin, C., "A deep learning approach for intrusion detection using recurrent neural networks", IEEE Access, 5, pp.21954~21961 (2017)
- Zhou, Y., "Building an efficient intrusion detection system based on feature selection and ensemble classifier", Comput. Network, 174, pp.107247~ (2020)
- Zorarpaci, E., "A fast intrusion detection system based on swift wrapper feature selection and speedy ensemble classifier", Engineering Applications of Artificial Intelligence, 133, pp.108162~ (2024)