ハイブリッドグラフベース畳み込みネットワークとトランスフォーマーアーキテクチャを使用したネットワーク侵入検知

科学分野:

• コンピュータサイエンス
• サイバーセキュリティ
• 人工知能

背景:

• クラウドコンピューティングの拡大により、高度なサイバー攻撃に対する脆弱性が増大しています。
• 従来のセキュリティシステムは、洗練された侵入に対して苦戦しています。
• 既存のAIベースの侵入検知モデルは、データと動的なパターンの認識において限界に直面しています。

研究 の 目的:

• クラウド環境向けの新しいハイブリッド侵入検知モデルを開発すること。
• 現在のAIモデルが複雑なネットワーク侵入を検出する際の限界に対処すること。
• ディープラーニングを使用してネットワーク侵入検知システム（NIDS）を強化すること。

主な方法:

• GConvTransという名前のハイブリッドディープニューラルネットワークアーキテクチャを提案しました。
• グラフ畳み込み層とトランスフォーマーエンコーダー層を統合しました。
• CIC-IDS 2018データセットを使用して、表形式のネットワークトラフィックデータを計算グラフに変換しました。

主要な成果:

• GConvTransは高い精度を達成しました。トレーニングセットで84.7%、検証セットで96.75%、テストセットで96.94%です。
• モデルは、ローカル構造情報とグローバルコンテキストを効果的に活用しました。
• 侵入検知のためのグラフ学習とディープラーニングの組み合わせの堅牢性が実証されました。

結論:

• GConvTransモデルは、クラウド環境における複雑なネットワーク侵入を検出するために大きな可能性を示しています。
• グラフ学習とディープラーニング技術の組み合わせは、サイバーセキュリティに対して堅牢なアプローチを提供します。
• 今後の作業には、他のデータセットの調査、アーキテクチャの改良、リンク予測などのグラフ学習タスクでのパフォーマンス分析が含まれます。