본문 바로가기
KERD
논문KCI 등재

다양한 데이터 전처리 기법 기반 침입탐지 시스템의이상탐지 정확도 비교 연구

Comparative Study of Anomaly Detection Accuracy of Intrusion Detection Systems Based on Various Data Preprocessing Techniques

김강석|박경선
한국정보처리학회|2021.11|정보처리학회 논문지 (The Transactions of the Korea Information Processing Society)|제10권 제11호|pp. 449-456

1

조회

0

다운로드

3

인용

0

참고문헌

키워드

Intrusion DetectionSliding Window침입탐지GRU슬라이딩 윈도우Skip-gramAAE
주제분류컴퓨터학

초록

침입 탐지 시스템(IDS: Intrusion Detection System)은 보안을 침해하는 이상 행위를 탐지하는 기술로서 비정상적인 조작을 탐지하고 시스템공격을 방지한다. 기존의 침입탐지 시스템은 트래픽 패턴을 통계 기반으로 분석하여 설계하였다. 그러나 급속도로 성장하는 기술에 의해 현대의시스템은 다양한 트래픽을 생성하기 때문에 기존의 방법은 한계점이 명확해졌다. 이런 한계점을 극복하기 위해 다양한 기계학습 기법을 적용한침입탐지 방법의 연구가 활발히 진행되고 있다. 본 논문에서는 다양한 네트워크 환경의 트래픽을 시뮬레이션 장비에서 생성한 NGIDS-DS(NextGeneration IDS Dataset)를 이용하여 이상(Anomaly) 탐지 정확도를 높일 수 있는 데이터 전처리 기법에 관한 비교 연구를 진행하였다. 데이터전처리로 패딩(Padding)과 슬라이딩 윈도우(Sliding Window)를 사용하였고, 정상 데이터 비율과 이상 데이터 비율의 불균형 문제를 해결하기 위해AAE(Adversarial Auto-Encoder)를 적용한 오버샘플링 기법 등을 적용하였다. 또한, 전처리된 시퀀스 데이터의 특징벡터를 추출할 수 있는Word2Vec 기법 중 Skip-gram을 이용하여 탐지 정확도의 성능 향상을 확인하였다. 비교실험을 위한 모델로는 PCA-SVM과 GRU를 사용하였고,실험 결과는 슬라이딩 윈도우, Skip-gram, AAE, GRU를 적용하였을 때, 더 좋은 성능을 보였다.

Abstract

An intrusion detection system is a technology that detects abnormal behaviors that violate security, and detects abnormal operationsand prevents system attacks. Existing intrusion detection systems have been designed using statistical analysis or anomaly detectiontechniques for traffic patterns, but modern systems generate a variety of traffic different from existing systems due to rapidly growingtechnologies, so the existing methods have limitations. In order to overcome this limitation, study on intrusion detection methods applyingvarious machine learning techniques is being actively conducted. In this study, a comparative study was conducted on data preprocessingtechniques that can improve the accuracy of anomaly detection using NGIDS-DS (Next Generation IDS Database) generated by simulationequipment for traffic in various network environments. Padding and sliding window were used as data preprocessing, and an oversamplingtechnique with Adversarial Auto-Encoder (AAE) was applied to solve the problem of imbalance between the normal data rate and the abnormaldata rate. In addition, the performance improvement of detection accuracy was confirmed by using Skip-gram among the Word2Vectechniques that can extract feature vectors of preprocessed sequence data. PCA-SVM and GRU were used as models for comparativeexperiments, and the experimental results showed better performance when sliding window, skip-gram, AAE, and GRU were applied.

참고문헌 (19)

  1. 이요섭, "다중 침입 탐지 모델의 설계와 분석", 한국전자통신학회 논문지, 11(6), pp.619~626 (2016), 한국전자통신학회
  2. W. Haider, "Generating realistic intrusion detection system dataset based on fuzzy qualitative modeling", Journal of Network and Computer Applications, 87(1), pp.185~192 (2017)[DOI]
  3. N. V. Chawla, "SMOTE : synthetic minority over-sampling technique", Journal of Artificial Inteligence Research(JAIR), 16(1), pp.321~357 (2002)
  4. A. Makhzani, "Adversarial autoencoders", International Conference on Learning Representations (2016)
  5. 김소연, "PCA-SVM 분류기를 이용한 데이터베이스 워크로드의 다중 클래스 분류", 정보과학회논문지 : 데이타베이스, 38(1), pp.1~8 (2011), 한국정보과학회
  6. K. Cho, "Learning phrase representations using RNN encoder-decoder for statistical machine translation", Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing EMNLP, pp.1724~1734 (2014)
  7. 정윤경, "클래스 불균형 데이터에 적합한 기계 학습 기반 침입 탐지 시스템", 정보보호학회논문지, 27(6), pp.1385~1395 (2017), 한국정보보호학회[DOI]
  8. 이민욱, "네트워크 침입탐지를 위한 세션관리 기반의 LSTM 모델", 한국인터넷방송통신학회 논문지, 20(3), pp.1~7 (2020), 한국인터넷방송통신학회[DOI]
  9. M. Shahriar, "G-IDS: Generative adversarial networks assisted intrusion detection system", IEEE 44th Annual Computers, Software, and Applications Conference (COMPSAC), pp.376~385 (2020)
  10. R. Corizzo, "Feature extraction based on word embedding models for intrusion detection in network traffic", Journal of Surveillance, Security and Safety, 1, pp.140~150 (2020)[DOI]
  11. 민병준, "Hybrid Feature Selection과 Data Balancing을 통한효율적인 네트워크 침입 탐지 모델", 정보처리학회 논문지, 10(2), pp.65~72 (2021), 한국정보처리학회[DOI]
  12. J. Lee, "GAN-based imbalanced data intrusion detection system", Personal and Ubiquitous Computing, 25, pp.121~128 (2021)[DOI]
  13. "Effects of padding on LSTMs and CNNs, arXiv:1903.07288v1" (2019)[URL]
  14. D. Senthil, "Efficient time series data classification using sliding window technique based improved association rule mining with enhanced support vector machine", International Journal of Engineering and Technology(UAE), 7(2), pp.2018~ (2018)
  15. T. Mikolov, "Efficient estimation of word representations in vector space", International Conference on Learning Representations, pp.1~12 (2013)
  16. M. A. Turk, "Face recognition using eigenfaces", Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp.586~591 (1991)
  17. C. Cortes, "Support-vector networks", Machine Learning, 20(3), pp.273~297 (1995)[DOI]
  18. 조성래, "SVM과 인공 신경망을 이용한 침입탐지 효과 비교 연구", 한국산학기술학회논문지, 17(2), pp.703~711 (2016), 한국산학기술학회[DOI]
  19. G. Nicole, "Are GRU cells more specific and LSTM cells more sensitive in motive classification of text?", Frontiers in Artificial Intelligence, 3 (2020)[DOI]

관련 논문AI추천

다양한 데이터 전처리 기법과 데이터 오버샘플링을 적용한 GRU 모델 기반 이상 탐지 성능 비교김강석, 유승태한국정보보호학회 · 정보보호학회논문지2022 · 제32권 제2호비지도 학습 기반의 임베딩과 오토인코더를 사용한 침입 탐지 방법김강석, 이준우한국정보처리학회 · 정보처리학회 논문지2023 · 제12권 제8호이상 탐지를 위한 시스템콜 시퀀스 임베딩 접근 방식 비교김강석, 박경선, 이근섭중소기업융합학회 · 융합정보논문지2022 · 제12권 제2호네트워크 트래픽 데이터의 희소 클래스 분류 문제 해결을 위한 전처리 연구김진국, 류경준, 박정찬, 신동규, 신동일한국정보처리학회 · 정보처리학회 논문지2020 · 제9권 제12호비지도학습 오토 엔코더를 활용한 네트워크 이상 검출 기술강구홍한국정보보호학회 · 정보보호학회논문지2020 · 제30권 제4호차량용 경량화 침입 탐지 시스템을 위한 데이터 전처리 기법박상민, 이성수, 임형철한국전기전자학회 · 전기전자학회논문지2023 · 제27권 제4호

이 간행물의 다른 논문 (12건)

CAM 기반의 계층적 및 수평적 분류 모델을 결합한 운전자 부주의 검출 및 특징 영역 지역화고수연, 최영우pp. 439-448이질적 이미지의 딥러닝 분석을 위한적대적 학습기반 이미지 보정 방법론김준우, 김남규pp. 457-464BERT+ 알고리즘 기반 약물 리뷰를활용한 약물 이상 반응 탐지정현정, 김현희, 허은영pp. 465-472한글 조합성에 기반한 최소 글자를 사용하는한글 폰트 생성 모델박장경, 아마르, 최재영pp. 473-482음표 임베딩과 마디 임베딩을 이용한곡의 생성 및 정량적 평가 방법정성훈, 이영배pp. 483-490
원문 보기