次世代ファイアウォールへのNLPとアンサンブル学習の統合によるエッジコンピューティングにおける堅牢なマルウェア検出

科学分野:

• サイバーセキュリティ
• 人工知能
• ネットワークセキュリティ

背景:

• エッジコンピューティング環境は、従来のセキュリティ対策に挑戦する洗練されたマルウェア攻撃に対して脆弱です。
• エッジインフラストラクチャへの依存度の高まりは、高度な脅威検出と緩和戦略を必要とします。
• 構造化されていない脅威インテリジェンスは、新しい攻撃ベクトルを特定するための豊富なデータソースを提供します。

研究 の 目的:

• エッジコンピューティングにおけるマルウェア検出のための自然言語処理（NLP）とアンサンブル学習を統合する新しいフレームワークを提案すること。
• リアルタイムの脅威識別と緩和のために次世代ファイアウォール（NGFW）の機能を強化すること。
• エッジ環境の制約に合わせて最適化された、スケーラブルで適応性の高いセキュリティソリューションを開発すること。

主な方法:

• TF-IDFベクトル化などのNLP技術を活用して、構造化されていない脅威インテリジェンス（レポート、ログなど）を処理します。
• ソフト投票を使用したランダムフォレスト（RF）とロジスティック回帰（LR）を組み合わせたアンサンブル学習モデルを実装します。
• ANOVAと混同行列分析を使用してモデルの堅牢性を検証します。

主要な成果:

• 合成データ拡張を使用したサイバー脅威インテリジェンスデータセットで95%の精度を達成しました。
• CSE-CIC-IDS2018データセットで98%の精度を達成しました。
• 検証分析を通じて、低いエラー率を示し、統計的堅牢性を確認しました。

結論:

• 提案されたNLPとアンサンブル学習フレームワークは、エッジコンピューティング環境でマルウェアを効果的に検出し軽減します。
• このシステムは、リソースが制約されたエッジ展開に不可欠な、検出率と適応性を向上させます。
• このアプローチは、ネットワークエッジで動作する次世代ファイアウォールにスケーラブルな防御層を提供します。