$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

네트워크 공격 탐지 성능향상을 위한 딥러닝을 이용한 트래픽 데이터 생성 연구
Traffic Data Generation Technique for Improving Network Attack Detection Using Deep Learning 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.10 no.11, 2019년, pp.1 - 7  

이우호 (전남대학교 정보보안협동과정) ,  함재균 (한국과학기술정보연구원 슈퍼컴퓨팅본부) ,  정현미 (한국과학기술정보연구원 슈퍼컴퓨팅본부) ,  정기문 (한국과학기술정보연구원 슈퍼컴퓨팅본부)

초록
AI-Helper 아이콘AI-Helper

네트워크 공격을 탐지하기 위하여 기계학습을 이용한 다양한 연구가 최근 급격히 증가하고 있다. 이러한 기계학습 방법은 많은 데이터에 의존적이며 연구를 위해 다양한 실험 데이터가 공개되어 사용되고 있다. 하지만 실험 데이터 및 실제 환경에서 수집되는 데이터는 class간의 수량이 불균형하다는 문제점을 가지고 있다. 본 연구에서는 기계 학습을 이용한 침입탐지시스템의 한계점 중 학습데이터의 class간 불균형으로 인한 분류 성능 저하를 해결하기 위한 방법을 제안한다. 이를 위해 네트워크 트래픽 데이터를 처리하고 seqGAN를 이용하여 부족한 데이터를 생성하였다. 제안된 방법은 NSL-KDD, UNSW-NB15 데이터 셋을 대상으로 Text-CNN을 이용하여 분류하는 테스트를 실행한 결과 정밀도가 향상되는 것을 확인할 수 있었다.

Abstract AI-Helper 아이콘AI-Helper

Recently, various approaches to detect network attacks using machine learning have been studied and are being applied to detect new attacks and to increase precision. However, the machine learning method is dependent on feature extraction and takes a long time and complexity. It also has limitation ...

주제어

표/그림 (11)

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 다음으로 네트워크 침입 탐지 연구분야에서 많이 사용되고 있는 NSL-KDD[4], UNSW-NB15[8]에 대해서 알아본다.
  • 본 논문에서는 네트워크 트래픽 데이터를 이용하여 minor class에 대한 유사 데이터를 생성하는 oversampling방법을 제안한다. 먼저 네트워크 트래픽 원천 데이터인 pcap 파일에 대하여 DPI 기반 분석을 위하여 IP, Serivice protocol, payload 등을 추출하여 딥러닝 알고리즘에 잘 적용될 수 있도록 Vector화 과정을 거친다.
  • 본 논문에서는 딥러닝 기술 중의 하나인 seqGAN[7]을 이용하여 침입탐지 연구를 위해 사용되는 데이터 셋의 불균형 문제를 해결하고자 한다. 이를 위해서 pcap 형태로 되어있는 네트워크 원본 데이터 셋에서 분석하고자 하는 데이터를 추출하여 seqGAN에 입력할 수 있는 형태로 변환하는 것이 과정이 필요하다.
  • 불균형한 데이터 셋의 한계를 극복하기 위하여 본 연구에서는 딥러닝 기법중의 하나인 SeqGAN을 이용하여 유사 데이터를 생성하는 방법을 제안하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
Wang K는 어떤 방법을 제안했나? Wang K 등[1]은 비정상적인 행위를 탐지하기 위하여 payload 특징(feature)의 분포를 이용하여 분류하는 방법을 제안했다. Nigel Williams 등[2]은 payload에서 22개의 트래픽 특징을 추출하고 bayesian과 decision tree 알고리즘을 사용하여 데이터를 분류하는데 트래픽 특징의 통계적 수치를 이용하였다.
침입탐지시스템은 무엇인가? 침입탐지시스템(Intrusion Detection Systems. IDS)은 네트워크 공격으로부터 내부 자원을 보호하는데 사용되는 시스템으로 최근 기계학습 및 딥러닝 기술을 적용하는 연구가 발전하고 있다.
머신러닝 및 딥러닝 등 데이터 중심의 연구에 있어서 무엇이 가장 중요한가? 네트워크 침입탐지의 성능을 향상시키기 위해 최근 머신러닝 및 딥러닝 등 데이터를 중심으로 하는 연구가 증가하고 있다. 이러한 연구에 있어서 양질의 데이터의 중요성은 증가하고 있지만 연구를 위해 사용되는 많은 데이터는 항목별로 데이터가 불균형한 문제를 안고 있으며 이는 연구의 질을 향상시키는데 장애가 되고 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (17)

  1. K. Wang & S.J. Stolfo. (2004, September). Anomalous payload-based network intrusion detection. RAID. (pp. 203-222). Berlin : Springer. 

  2. N. Williams, S. Zander & G. Armitage. (2006). A preliminary performance comparison of five machine learning algorithms for practical IP traffic flow classification. ACM SIGCOMM Compute Commun, Rev, 36(5), 5-16. 

  3. UCI KDD Archive. (2005) kdd aRCHIVE. KDDcup99 dataset. KDD [Online]. https://kdd.ics.uci.edu/databases/kddcup99/task.html 

  4. L. Dhanabal & S. P. Shantharajah. (2015). A Study on NSL-KDD Dataset for Intrusion Detection System Based on Classification Algorithms. International Journal of Advanced Research in Computer and Engineering, 4(6), 446-452. 

  5. N. V. Chawla et al. (2002). SMOTE: synthetic minority over-sampling technique. Journal of artificial intelligence research. 16, 321-357. 

  6. S. Hu et al. (2009). MSMOTE: Improving classification performance when training data is imbalanced. 2009 Second international workshop on computer science and engineering, (2, pp.13-17). IEEE. 

  7. L. Yu et al. (2017). Seqgan: Sequence generative adversarial nets with policy gradient. Thirty-First AAAI Conference on Artificial Intelligence. 

  8. N. Moustafa & J. Slay. (2015). UNSW-NB15: a comprehensive data set for network intrusion detection systems (UNSW-NB15 network data set). Military communications and information systems conference(MilCIS), IEEE. 

  9. B. Dong & X. Wang. (2016). Comparison deep learning method to traditional methods using for network intrusion detection. 2016 8th IEEE International Conference on Communication Software and Networks(ICCSN), (pp.581-585). IEEE. 

  10. M. Lopez-Martin, B. Carro, A. Sanchez-Esguevillas & J. Lloret. (2017). Network traffic classifier with convolutional and recurrent neural networks for internet of things. IEEE Access, 5, 18042-18050. 

  11. R. K. Rahul et al. (2017). Deep learning for network flow analysis and malware classification. International Symposium on Security in Computing and Communication. Singapore : Springer. 

  12. T. Auld, A. W. Moore & S. F. Gull. (2007). Bayesian neural networks for internet traffic classification. IEEE Transactions on Neural Networks, 18(1), 223-239. 

  13. W. WANG et al. (2017). Malware traffic classification using convolutional neural network for representation learning. 2017 International Conference on Information Networking(ICOIN), (pp. 712-717). IEEE. 

  14. T. Mikolov, K. Chen, G. Corrado & J. Dean. (2013). Efficient estimation of word representations in vector space. arXiv preprint. 

  15. V. Nair & G. E. Hinton (2010). Rectified linear units improve restricted boltzmann machines. Proceedings of the 27th International Conference on Machine Learning(ICML-10), (pp. 807-814). 

  16. Z. Zivkovic. (2004, August). Improved adaptive Gaussian mixture model for background subtraction. ICPR, (2, pp. 28-31), IEEE. 

  17. X. Zhang, J. Zhao & Y. LeCun. (2015). Character-level convolutional networks for text classification. Advances in neural information processing systems. (pp. 649-657). 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로