$\require{mediawiki-texvc}$

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.

설명 가능한 인공지능(XAI)을 활용한 침입탐지 신뢰성 강화 방안
The Enhancement of intrusion detection reliability using Explainable Artificial Intelligence(XAI) 원문보기

융합보안논문지 = Convergence security journal, v.22 no.3, 2022년, pp.101 - 110  

정일옥 (고려대학교) ,  최우빈 (경희대학교) ,  김수철 (숭실대학교)

초록
AI-Helper 아이콘AI-Helper

다양한 분야에서 인공지능을 활용한 사례가 증가하면서 침입탐지 분야 또한 다양한 이슈를 인공지능을 통해 해결하려는 시도가 증가하고 있다. 하지만, 머신러닝을 통한 예측된 결과에 관한 이유를 설명하거나 추적할 수 없는 블랙박스 기반이 대부분으로 이를 활용해야 하는 보안 전문가에게 어려움을 주고 있다. 이러한 문제를 해결하고자 다양한 분야에서 머신러닝의 결정을 해석하고 이해하는데 도움이 되는 설명 가능한 AI(XAI)에 대한 연구가 증가하고 있다. 이에 본 논문에서는 머신러닝 기반의 침입탐지 예측 결과에 대한 신뢰성을 강화하기 위한 설명 가능한 AI를 제안한다. 먼저, XGBoost를 통해 침입탐지 모델을 구현하고, SHAP을 활용하여 모델에 대한 설명을 구현한다. 그리고 기존의 피처 중요도와 SHAP을 활용한 결과를 비교 분석하여 보안 전문가가 결정을 수행하는데 신뢰성을 제공한다. 본 실험을 위해 PKDD2007 데이터셋을 사용하였으며 기존의 피처 중요도와 SHAP Value에 대한 연관성을 분석하였으며, 이를 통해 SHAP 기반의 설명 가능한 AI가 보안 전문가들에게 침입탐지 모델의 예측 결과에 대한 신뢰성을 주는데 타당함을 검증하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

As the cases of using artificial intelligence in various fields increase, attempts to solve various issues through artificial intelligence in the intrusion detection field are also increasing. However, the black box basis, which cannot explain or trace the reasons for the predicted results through m...

주제어

#XAI   #SHAP   #intrusion detection   #Explainable   #machine learning  

참고문헌 (21)

  1. "2021 국가정보보호백서", KISA, 2021.5 

  2. Capgemini Research Institute(2019), 'Reinventing？Cybersecurity with Artificial Intelligence: The？new frontier in digital security', 11 July 2019. 

  3. Cisco(2019), 2019 연례 사이버보안 보고서. 

  4. Barnard, Pieter & Marchetti, Nicola & Silva, Luiz.？(2022). Robust Network Intrusion Detection？through Explainable Artificial Intelligence (XAI).？IEEE Networking Letters. 1-1. 10.1109/LNET.？2022.3186589. 

    상세보기 crossref

  5. D. Gunning and D. Aha, "DARPA's Explainable Artificial Intelligence (XAI) Program", AIMag,？vol. 40, no. 2, pp. 44-58, Jun. 2019. 

    상세보기

  6. Chen, T., He, T., Benesty, M., Khotilovich, V.,？Tang, Y., Cho, H., & Chen, K. (2015). Xgboost:？extreme gradient boosting. R package version？0.4-2, 1(4), 1-4. 

  7. D. Fryer, I. Strumke and H. Nguyen, "Shapley？Values for Feature Selection: The Good, the？Bad, and the Axioms," in IEEE Access, vol. 9,？pp. 144352-144360, 2021, doi:？10.1109/ACCESS.2021.3119110. 

    상세보기 crossref

  8. Ke, Guolin, et al. "Lightgbm: A highly efficient？gradient boosting decision tree." Advances in？neural information processing systems 30 (2017). 

  9. Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush,？A. V., & Gulin, A. (2018). CatBoost: unbiased？boosting with categorical features. Advances in？neural information processing systems, 31. 

  10. Tjoa, E., & Guan, C. (2020). A survey on？explainable artificial intelligence (xai): Toward？medical xai. IEEE transactions on neural？networks and learning systems, 32(11),？4793-4813. 

  11. Breiman, L. (2001). Random forests. Machine？learning, 45(1), 5-32. 

  12. Fisher, A., Rudin, C., & Dominici, F. (2019).？All Models are Wrong, but Many are Useful:？Learning a Variable's Importance by Studying？an Entire Class of Prediction Models？Simultaneously. J. Mach. Learn. Res., 20(177),？1-81. 

  13. Greenwell, B. M. (2017). pdp: An R package？for constructing partial dependence plots. RJ., 9(1), 421. 

  14. Srivastava, Gautam & Jhaveri, Rutvij & Bhattacharya,？Sweta & Pandya, Sharnil & Rajeswari, &？Reddy, Praveen & Yenduri, Gokul & Hall, Jon？& Alazab, Mamoun & Gadekallu, Thippa.？(2022). XAI for Cybersecurity: State of the？Art, Challenges, Open Issues and Future？Directions. 

  15. S. Mane and D. Rao, "Explaining network intrusion？detection system using explainable AI？framework," 2021, arXiv:2103.07110. 

  16. M. Wang, K. Zheng, Y. Yang, and X. Wang,？"An explainable machine learning framework？for intrusion detection systems," IEEE Access,？vol. 8, pp. 73127-73141, 2020. 

    상세보기

  17. S. Wali and I. Khan. "Explainable AI and Random？Forest Based Reliable Intrusion Detection？System." Dec. 2021. [Online]. Available:？https://www.techrxiv.org/articles/preprint/Explainable_AI_and_Random_Forest_Based_Reliable_Intrusion_Detection_system/17169080. 

  18. Dhanabal, L., & Shantharajah, S. P. (2015). A？study on NSL-KDD dataset for intrusion？detection system based on classification？algorithms. International journal of advanced？research in computer and communication？engineering, 4(6), 446-452. 

  19. Gopalan, S. S., Ravikumar, D., Linekar, D., Raza,？A., & Hasib, M. (2021, March). Balancing？approaches towards ML for IDS: a survey for？the CSE-CIC IDS dataset. In 2020 International？Conference on Communications, Signal？Processing, and their Applications？(ICCSPA) (pp. 1-6). IEEE. 

  20. Koronacki, J. N. K. J., Matwin, R. L. D. M. S.,？& Skowron, D. M. A. Knowledge Discovery in？Databases: PKDD 2007. 

  21. Visa, S., Ramsay, B., Ralescu, A. L., & Van？Der Knaap, E. (2011). Confusion matrix-based？feature selection. MAICS, 710(1), 120-127. 

관련 콘텐츠

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