増量機能エンコーディングと類似性埋め込み学習による一般化およびリアルタイムネットワーク侵入検知システム

科学分野:

• サイバーセキュリティ
• ネットワークセキュリティ
• 機械学習

背景:

• 伝統的なネットワーク侵入検知システム (NIDS) は,ネットワークトラフィックを完了後に処理し,リアルタイム検知機能を阻害します.
• 既存のパケットベースのNIDSは,パケットを独立して処理し,精度が低下しますが,一部の高度な方法は,セッションの長さが変動し,見えない脅威を検出するのに苦労します.

研究 の 目的:

• 進行中のセッション内のパケットの配列を分析することによって,リアルタイムに侵入を検出できる高度なNIDSを開発する.
• 異なる長さのセッションを効率的に処理し,観察されたおよび新しい攻撃パターンを正確に検出する方法を作成します.

主な方法:

• 継続的なネットワークセッションの連続したパケットからオンラインで機能を抽出します.
• 新しいマルチプロキシ類似性喪失関数を利用して,コンパクトで差別的な埋め込み空間を学習します.
• クラスの不均衡に対処し,観察されたおよび新しい攻撃の検出精度を高めるために,クラス வாரியான値アプローチを使用します.

主要な成果:

• 提案された方法は,進行中のセッションの7パケット未満を処理することによって,攻撃活動を効果的に検出します.
• 2つの大規模なデータセットでの実験結果は,既知の攻撃と新しい攻撃の両方を検出する既存の方法と比較して優れたパフォーマンスを示しています.
• このシステムは,NIDSのデータセットに共通する不均衡の問題をうまく軽減します.

結論:

• オンラインで開発されたパケットベースのNIDSメソッドは,リアルタイムで脅威を検出する上で大きな進歩をもたらします.
• このアプローチは,これまで観察されていない攻撃タイプを含む,幅広いサイバー脅威を特定する上で高い有効性を示しています.
• この方法は,現代のネットワークセキュリティの課題に より効率的かつ効果的な解決策を提供します.