Học Đặc Trưng Không Gian Dùng CNN trong Hệ Thống Phát Hiện Xâm Nhập Mạng
Email tác giả liên hệ:
vanntth@hcmute.edu.vnDOI:
https://doi.org/10.54644/jte.2024.1552Từ khóa:
Hệ thống phát hiện xâm nhập mạng, Học đặc trưng, Deep learning, CNN, CICIDS2017Tóm tắt
Ngày nay, các hệ thống mạng truyền thông hiện đại cùng với sự đa dạng về các loại dịch vụ mạng đã tạo ra sự tăng trưởng lớn về dữ liệu được truyền qua nhiều thiết bị và giao thức truyền thông khác nhau. Điều này đã gây ra những lo ngại nghiêm trọng về bảo mật, do đó đã làm tăng tầm quan trọng của việc phát triển các hệ thống phát hiện xâm nhập mạng (IDS) tiên tiến. Mặc dù các kỹ thuật khác nhau được áp dụng cho IDS nhưng chúng phải đối mặt với một số thách thức như độ chính xác và xử lý hiệu quả dữ liệu lớn có nhiều biến đổi. Để tăng hiệu quả phát hiện tấn công trong lưu lượng mạng, chúng ta cần các đặc trưng tốt, nhưng chúng ta cũng cần giảm chi phí kỹ thuật xây dựng đặc trưng. Gần đây, Deep learning đã được sử dụng như một cách hiệu quả để phân tích và khám phá kiến thức trong các hệ thống dữ liệu lớn nhằm tạo ra các mô hình có khả năng phân loại tốt. Có nhiều nghiên cứu đã sử dụng các mô hình Deep learning để học đặc trưng một cách tự động đem lại hiệu quả. Trong nghiên cứu này, chúng tôi đã sử dụng Convolution neural network (CNN) khai thác tính chất hình ảnh của đầu vào để thu được các đặc trưng từ lưu lượng truy cập mạng, nhờ đó việc phát hiện xâm nhập đạt hiệu quả tốt. Nghiên cứu được thực nghiệm trên tập dữ liệu CICIDS2017, đạt độ chính xác cao nhất là 91.53%.
Tải xuống: 0
Tài liệu tham khảo
H. Liu and B. Lang, “Machine Learning and Deep Learning Methods for Intrusion Detection Systems: A Survey,” Appl. Sci., vol. 9, p. 4396, 2019, doi: 10.3390/app9204396. DOI: https://doi.org/10.3390/app9204396
Y. Bengio, A. Courville, and P. Vincent, “Representation Learning: A Review and New Perspectives,” in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no. 8, pp. 1798-1828, Aug. 2013, doi: 10.1109/TPAMI.2013.50. DOI: https://doi.org/10.1109/TPAMI.2013.50
A. Krizhevsky, I. Sutskever, and G. Hinton, “ImageNet classification with deep CNN,” Communications of the ACM, vol. 60, no. 6, pp. 84-90, Jun. 2017, doi: 10.1145/3065386. DOI: https://doi.org/10.1145/3065386
M. D. Zeiler and R. Fergus, “Visualizing and understanding convolutional networks,” in Computer Vision – ECCV 2014, vol. 8689, Lecture Notes in Computer Science, Springer, 2014, pp. 818-833, doi: 10.1007/978-3-319-10590-1_53. DOI: https://doi.org/10.1007/978-3-319-10590-1_53
G. Gilberto, “A comprehensive survey on network anomaly detection,” Telecommun. Syst., vol. 70, pp. 447-489, 2019, doi: 10.1007/s11235-018-0414-7. DOI: https://doi.org/10.1007/s11235-018-0475-8
R. C. Aygun and A. G. Yavuz, "Network Anomaly Detection with Stochastically Improved Autoencoder Based Model," in IEEE 4th International Conference on Cyber Security and Cloud Computing (CSCloud), 2017, pp. 193-198, doi: 10.1109/CSCloud.2017.32. DOI: https://doi.org/10.1109/CSCloud.2017.39
S. Farahnakian and J. Heikkonen, "A deep auto-encoder based approach for intrusion detection system," in Int. Conf. on Advanced Communication Technology (ICACT), 2018, pp. 178-183, doi: 10.23919/ICACT.2018.8323744. DOI: https://doi.org/10.23919/ICACT.2018.8323687
S. Potluri and C. Diedrich, "Accelerated deep neural networks for enhanced intrusion detection system," in Int. Conf. on Emerging Technologies and Factory Automation (ETFA), 2016, pp. 1-8, doi: 10.1109/ETFA.2016.7733704. DOI: https://doi.org/10.1109/ETFA.2016.7733515
Q. Niyaz, W. Sun, A. Javaid, and M. Alam, "A Deep Learning Approach for NIDS," in Bio-inspired Information and Communications Technologies (BIONETICS), Brussels, Belgium, 2015, pp. 21-26, doi: 10.4108/eai.3-12-2015.2262516. DOI: https://doi.org/10.4108/eai.3-12-2015.2262516
B. Zhang, Y. Yu, and J. Li, "Network intrusion detection based on stacked sparse autoencoder and binary tree ensemble method," in IEEE Int. Conf. on Communications (ICC), 2018, pp. 1-6, doi: 10.1109/ICC.2018.8422406. DOI: https://doi.org/10.1109/ICCW.2018.8403759
I. O. Lopes, “Effective network intrusion detection via representation learning: A Denoising AutoEncoder approach,” Computer Communications, vol. 194, pp. 55-65, Oct. 2022, doi: 10.1016/j.comcom.2022.07.004. DOI: https://doi.org/10.1016/j.comcom.2022.07.027
Y. Song, S. Hyun, and Y.-G. Cheong, “Analysis of Autoencoders for Network Intrusion Detection,” Sensors, vol. 21, no. 4294, 2021, doi: 10.3390/s21134294. DOI: https://doi.org/10.3390/s21134294
H. Choi, M. Kim, G. Lee, et al., “Unsupervised learning approach for NIDS using autoencoders,” Journal of Supercomputing, vol. 75, pp. 5597–5621, 2019, doi: 10.1007/s11227-019-02873-2. DOI: https://doi.org/10.1007/s11227-019-02805-w
K. Ji, J. Kim, L.T.T. Huong, et al., "LSTM - RNN Classifier for Intrusion Detection," in International Conference Platform Technology and Service (PlatCon), South Korea, 2016, pp. 1-5, doi: 10.1109/PlatCon.2016.7456801. DOI: https://doi.org/10.1109/PlatCon.2016.7456801
R. C. Staudemeyer, "Applying LSTM RNN to intrusion detection," South African Computer Journal, vol. 56, pp. 6-15, 2015, doi: 10.18489/sacj.v56i0.225. DOI: https://doi.org/10.18489/sacj.v56i1.248
L. Bontemps, C. Van Cao, J. McDermott, et al., "Collective Anomaly Detection based on LSTM RNN," in International Conference on Future Data and Security Engineering, 2016, pp. 141-152, doi: 10.1007/978-3-319-49358-9_10. DOI: https://doi.org/10.1007/978-3-319-48057-2_9
M. Chen, X. Qi, and J. Liu, "MS-LSTM: a Multi-Scale LSTM Model for BGP anomaly detection," in 24th International Conference on Network Protocols (ICNP), 2016, pp. 1-6, doi: 10.1109/ICNP.2016.7784448. DOI: https://doi.org/10.1109/ICNP.2016.7785326
F. Laghrissi, et al., “Intrusion detection systems using long short-term memory (LSTM),” Journal of Big Data, vol. 8, no. 65, pp. 1-14, 2021, doi: 10.1186/s40537-021-00466-3. DOI: https://doi.org/10.1186/s40537-021-00448-4
J. Kim, J. Kim, H. Kim, M. Shim, and E. Choi, “CNN-Based Network Intrusion Detection against Denial-of-Service Attacks,” Electronics, vol. 9, no. 916, 2020, doi: 10.3390/electronics9060916. DOI: https://doi.org/10.3390/electronics9060916
V. R. Varanasi and S. Razia, “CNN Implementation for IDS,” in 2021 3rd International Conference on Advances in Computing, Communication Control and Networking (ICAC3N), pp. 1585-1589, doi: 10.1109/ICAC3N53548.2021.9725426. DOI: https://doi.org/10.1109/ICAC3N53548.2021.9725426
S. N. Nguyen, Q. V. Nguyen, and K. Kim, "Design and implementation of intrusion detection system using CNN for DoS detection," in International Conference on Machine Learning and Soft Computing, 2018, pp. 34-38, doi: 10.1145/3184066.3184094. DOI: https://doi.org/10.1145/3184066.3184089
Z. Li, Z. Qin, K. Huang, and X. Yang, "Intrusion Detection Using CNNs for Representation Learning," in Neural Information Processing (ICONIP), Lecture Notes in Computer Science, vol. 10638, Springer, Cham, 2017, pp. 103-111, doi: 10.1007/978-3-319-70096-0_11. DOI: https://doi.org/10.1007/978-3-319-70096-0_11
T. Kim, S. C. Suh, H. Kim, et al., "An Encoding Technique for CNN-based Network Anomaly Detection," in IEEE International Conference on Big Data (Big Data), 2018, pp. 2960-2963, doi: 10.1109/BigData.2018.8622337. DOI: https://doi.org/10.1109/BigData.2018.8622568
Y. Zhang, X. Chen, D. Guo, et al., "Parallel Cross CNN for Abnormal Network Traffic flows Detection in multi-class imbalanced," IEEE Access, vol. 7, pp. 119904-119916, 2019, doi: 10.1109/ACCESS.2019.2936982. DOI: https://doi.org/10.1109/ACCESS.2019.2933165
I. Sharafaldin, A. H. Lashkari, and A. A. Ghorbani, “Toward generating a new intrusion detection dataset and intrusion traffic characterization,” in ICISSP, pp. 108–116, 2018, doi: 10.5220/0006639801080116. DOI: https://doi.org/10.5220/0006639801080116
K. M. He, X. Y. Zhang, S. Q. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proceedings IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 770-778, doi: 10.1109/CVPR.2016.90. DOI: https://doi.org/10.1109/CVPR.2016.90
C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich, “Going deeper with convolutions,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2015, pp. 1–9, doi: 10.1109/CVPR.2015.7298594. DOI: https://doi.org/10.1109/CVPR.2015.7298594
Tải xuống
Đã Xuất bản
Cách trích dẫn
Giấy phép
Bản quyền (c) 2024 Tạp chí Khoa học Giáo dục Kỹ Thuật
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
