다양한 데이터 전처리 기법과 데이터 오버샘플링을 적용한 GRU 모델 기반 이상 탐지 성능 비교
Comparison of Anomaly Detection Performance based on GRU Model Applying Various Data Preprocessing Techniques and Data Oversampling
2
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
최근 사이버보안 패러다임의 변화에 따라, 인공지능 구현 기술인 기계학습과 딥러닝 기법을 적용한 이상탐지 방법의 연구가 증가하고 있다. 본 연구에서는 공개 데이터셋인 NGIDS-DS(Next Generation IDS Dataset)를 이용하여 GRU(Gated Recurrent Unit) 신경망 기반 침입 탐지 모델의 이상(anomaly) 탐지 성능을 향상시킬 수 있는 데이터 전처리 기술에 관한 비교 연구를 수행하였다. 또한 정상 데이터와 공격 데이터 비율에 따른 클래스 불균형 문제를 해결하기 위해 DCGAN(Deep Convolutional Generative Adversarial Networks)을 적용한 오버샘플링 기법 등을 사용하여 오버샘플링 비율에 따른 탐지 성능을 비교 및 분석하였다. 실험 결과, 시스템 콜(system call) 특성과 프로세스 실행패스 특성에 Doc2Vec 알고리즘을 사용하여 전처리한 방법이 좋은 성능을 보였고, 오버샘플링별 성능의 경우 DCGAN을 사용하였을 때, 향상된 탐지 성능을 보였다.
Abstract
According to the recent change in the cybersecurity paradigm, research on anomaly detection methods using machine learning and deep learning techniques, which are AI implementation technologies, is increasing. In this study, a comparative study on data preprocessing techniques that can improve the anomaly detection performance of a GRU (Gated Recurrent Unit) neural network-based intrusion detection model using NGIDS-DS (Next Generation IDS Dataset), an open dataset, was conducted. In addition, in order to solve the class imbalance problem according to the ratio of normal data and attack data, the detection performance according to the oversampling ratio was compared and analyzed using the oversampling technique applied with DCGAN (Deep Convolutional Generative Adversarial Networks). As a result of the experiment, the method preprocessed using the Doc2Vec algorithm for system call feature and process execution path feature showed good performance, and in the case of oversampling performance, when DCGAN was used, improved detection performance was shown.
참고문헌 (16)
- 한경현, "머신러닝 기반의 자동 정책 생성 방화벽 시스템 개발", 한국인터넷방송통신학회 논문지, 20(2), pp.29~37 (2020), 한국인터넷방송통신학회[DOI]
- K. Rahul-Vigneswaran, "A compendium on network and host based intrusion detection systems", Proceedings of the 1st International Conference on Data Science, Machine Learning and Applications, pp.23~30 (2020)
- 정윤경, "클래스 불균형 데이터에 적합한 기계 학습 기반 침입 탐지 시스템", 정보보호학회논문지, 27(6), pp.1385~1395 (2017), 한국정보보호학회[DOI]
- S. Mishra, "Handling imbalanced data : SMOTE vs. random undersampling", International Research Journal of Engineering and Technology, 4(8), pp.317~320 (2017)
- A. Radford, "Unsupervised representation learning with deep convolutional generative adversarial networks", International Conference on Learning Representations, pp.1~16 (2016)
- 권현, "딥뉴럴네트워크 기반의 네트워크 침입탐지시스템 설계", 한국차세대컴퓨팅학회 논문지, 16(1), pp.7~18 (2020), 한국차세대컴퓨팅학회[DOI]
- C. Yin, "A deep learning approach for intrusion detection using recurrent neural networks", IEEE Access, 5, pp.21954~21961 (2017)
- 서재현, "딥러닝 기반 불균형 침입탐지 데이터 분류에 관한 비교 연구", 한국지능시스템학회 논문지, 28(2), pp.152~159 (2018), 한국지능시스템학회
- M. Ramaiah, "An intrusion detection system using optimized deep neural network architecture", Transactions on Emerging Telecommunications Technologies, 32(4), pp.1~17 (2021)
- 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)
- A. M. Dai, "Document embedding with paragraph vectors", arXiv : 1507. 07998, ~ (2015)
- 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)
- H. Akoglu, "User’s guide to correlation coefficients", Turkish Journal of Emergency Medicine, 18(3), pp.91~93 (2018)
- N. Quang-Hung, "Performance evaluation of distributed training in tensorflow 2", International Conference on Advanced Computing and Applications, pp.155~159 (2020)
- "Sizeof dev and test sets (C3W1L06)" (2017)[URL]
- Anomaly Detection, "Proper Use of ROC Curves in Intrusion", pp.2004, R. A. Maxion