[논문]Hybrid Feature Selection과 Data Balancing을 통한 네트워크 침입 탐지 모델

민병준; 신동규; 신동일

문제 정의

본 논문에서는 Pearson 기반 특징 선택과 AR 기반 특징선택 및 Feature Importance 기반 특징 선택을 활용한 HFS(Hybrid Feature Selection)을 제안한다. HFS 기법은 그림 1에 명시된 3가지 특징 선택 기법들의 교집합 특징 집합을 사용한다.
본 논문에서는 네트워크 침입 탐지의 성능 개선을 위해 Hybrid Feature Selection 기법을 제안하였다. 또한 학습에 사용된 NSL-KDD 데이터 셋의 불균형 문제를 해소하여 성능이 개선된 네트워크 침입 탐지 모델을 제안하였다.
본 논문에서는 최근 다양한 도메인에서 좋은 결과를 보이고 있는 심층 신경망 모델을 통한 네트워크 침입 탐지 모델을 제안한다. 또한 학습에 중요한 특징들을 선별하기 위하여 Hybrid Feature Selection 기법을 제안하며, SMOTE(Synthetic Minority Over sampling Technique) 기법과 RUS(Random Under Sampling) 기법을 통해 데이터 셋의 불균형 문제를 해소하여[5], 소수 클래스들의 탐지율을 개선하였다.

제안 방법

본 논문에서는 네트워크 침입 탐지의 성능 개선을 위해 Hybrid Feature Selection 기법을 제안하였다. 또한 학습에 사용된 NSL-KDD 데이터 셋의 불균형 문제를 해소하여 성능이 개선된 네트워크 침입 탐지 모델을 제안하였다. 특징 추출을 통해 32% 규모로 입력 차원을 축소할 수 있었으며, 오버 샘플링 기법을 통해 소수 클래스들의 성능 개선을 실험을 통해 확인할 수 있었다.
본 논문에서는 최근 다양한 도메인에서 좋은 결과를 보이고 있는 심층 신경망 모델을 통한 네트워크 침입 탐지 모델을 제안한다. 또한 학습에 중요한 특징들을 선별하기 위하여 Hybrid Feature Selection 기법을 제안하며, SMOTE(Synthetic Minority Over sampling Technique) 기법과 RUS(Random Under Sampling) 기법을 통해 데이터 셋의 불균형 문제를 해소하여[5], 소수 클래스들의 탐지율을 개선하였다.
불균형 데이터를 통하여 심층 신경망 모델을 학습할 경우는 다수 클래스들에 편향된 학습을 진행하기에 소수 클래스들의 분류 성능은 크게 떨어진다. 본 논문에서는 심각한 불균형 데이터로 분류되는 NSL-KDD 데이터 셋의 불균형 문제를 해소하기 위해서 그림 1에 표기된 SMOTE 기법과 RUS 기법을 활용한다. 표 4를 통해 데이터 불균형을 해소한 데이터 셋의 샘플 수와 비율을 확인할 수 있으며, 다수 클래스는 언더 샘플링을, 소수 클래스는 오버샘플링을 진행하였다.
Nutan 외[4]는 Hybrid Feature Selection 방법을 제안하였다. 서로 다른 특징 선택 알고리즘으로부터 중복제거 합집합으로 표현하여 학습에 사용하였다.
본 논문에서는 심각한 불균형 데이터로 분류되는 NSL-KDD 데이터 셋의 불균형 문제를 해소하기 위해서 그림 1에 표기된 SMOTE 기법과 RUS 기법을 활용한다. 표 4를 통해 데이터 불균형을 해소한 데이터 셋의 샘플 수와 비율을 확인할 수 있으며, 다수 클래스는 언더 샘플링을, 소수 클래스는 오버샘플링을 진행하였다.
실험에 사용한 심층 신경망의 구조는 표 5와 같으며, 전체 학습 데이터의 20%는 validation set으로 활용하였다. 학습 중 validation loss가 10 epoch 이상 증가할 경우 조기 멈춤을 실행하였으며, 이후 가장 validation loss가 낮은 모델을 선택하여 실험에 사용하였다.

대상 데이터

Tavallaee 외[6]은 KDD CUP 99 데이터 세트의 규모가 지나치게 크며, 많은 중복 레코드 등을 포함하는 문제점을 지적하며 NSL-KDD 데이터 셋을 제안하였다. NSL-KDD 데이터 세트는 41개의 컬럼으로 구성되며, 표1과 같이 4가지 공격 유형을 포함하고 있다.
nominal 데이터들은 모두 정수형으로 인코딩 한 뒤 원핫(onehot) 벡터로 변환하였으며, numeric 데이터들에 대해서는 최소 최대 정규화(Min-max Normalization)를 진행하며, binary 데이터들의 경우 모두 0과 1로 구성되기 때문에 별다른 전처리 과정을 수행하지 않는다. 이를 통해 최종적으로 41개의 입력차원이 122개의 입력차원으로 변환되어 학습에 사용된다.

이론/모형

Pearson 상관계수를 통한 특징선택 기법에서는 NSL-KDD 데이터 셋의 numeric 속성들(31개)의 특징들에 대해서만 진행하였다. 0.
불균형 데이터에 대해서 Accuracy만을 가지고 평가하는 것은 부적합하다. 따라서 본 논문에서는 학습된 모델의 성능 평가로 Accuracy, Precision, RecaU, Fl Score를 평가 지표로 사용하였다. 그림 2를 참조하면 제안된 모델의 4가지 성능지표가 비교 모델들에 비해 더 좋은 것으로 확인된다.

성능/효과

AR 기반 특징 선택 기법에서는 0.1 임계값을 이용해 특징들을 선택한 결과 50개의 특징 집합이 선택되었으며, Feature Importance는 Random Forest 모델을 학습시켜 추출하여 상위 55개의 특징 집합을 선출하였다. 해당 특징 선택 기법들의 교집합을 통해 제안되는 HFS 기법의 최종 특징 집합은 표 3과 같이 39개 특징 집합으로, 32% 규모로 축소되었다.
단순 심층 신경망의 모델의 경우 네트워크 구조는 동일하지만 모든 U2R 클래스의 분류에 실패한 것을 확인하였다. 그에 반해 본 논문에서 제안된 모델은 R2L 클래스의 탐지 성능의 경우 눈에 띄게 상승한 것이 보이며, U2R 클래스 탐지 성능 또한 개선이 된 것을 확인할 수 있다. 그럼에도 불구하고 U2R의 분류 성능이 낮은 것을 확인할 수 있는데, 이는 Train 셋에서 제공되는 데이터양이 52개인 반면에 Test 셋에서 제공되는 양은 200개로 더 적은 것을 알 수 있다.
특징 추출을 통해 32% 규모로 입력 차원을 축소할 수 있었으며, 오버 샘플링 기법을 통해 소수 클래스들의 성능 개선을 실험을 통해 확인할 수 있었다. 이를 통해 본 논문에서 제안한 모델의 Fl Score가 두 모델에 비해서 7~9% 높은 것으로 확인할 수 있었다. 향후 연구로는 VAE, GAN과 같은 생성모델들을 통해 데이터 증감(Data Augmentation)기법을 연구하여, SMOTE를 대체할 수 있으며.
표 6은 본 논문에서 제안된 모델의 각 클래스별 성능 지표로, 표 7과 비교하면 소수 클래스들의 성능 지표들을 비교할 수 있다. 특징 선택과 데이터 균형을 맞추지 않은 데이터를 학습한 두 모델은 소수 클래스들에 대해서 제대로 분류를 하지 못하고 있는 것을 확인할 수 있다. 단순 심층 신경망의 모델의 경우 네트워크 구조는 동일하지만 모든 U2R 클래스의 분류에 실패한 것을 확인하였다.
또한 학습에 사용된 NSL-KDD 데이터 셋의 불균형 문제를 해소하여 성능이 개선된 네트워크 침입 탐지 모델을 제안하였다. 특징 추출을 통해 32% 규모로 입력 차원을 축소할 수 있었으며, 오버 샘플링 기법을 통해 소수 클래스들의 성능 개선을 실험을 통해 확인할 수 있었다. 이를 통해 본 논문에서 제안한 모델의 Fl Score가 두 모델에 비해서 7~9% 높은 것으로 확인할 수 있었다.
1 임계값을 이용해 특징들을 선택한 결과 50개의 특징 집합이 선택되었으며, Feature Importance는 Random Forest 모델을 학습시켜 추출하여 상위 55개의 특징 집합을 선출하였다. 해당 특징 선택 기법들의 교집합을 통해 제안되는 HFS 기법의 최종 특징 집합은 표 3과 같이 39개 특징 집합으로, 32% 규모로 축소되었다.

후속연구

이를 통해 본 논문에서 제안한 모델의 Fl Score가 두 모델에 비해서 7~9% 높은 것으로 확인할 수 있었다. 향후 연구로는 VAE, GAN과 같은 생성모델들을 통해 데이터 증감(Data Augmentation)기법을 연구하여, SMOTE를 대체할 수 있으며. 또한 다른 침입 탐지 데이터 셋을 통한 연구 또한 진행할 수 있다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

Hybrid Feature Selection과 Data Balancing을 통한 네트워크 침입 탐지 모델
Network intrusion detection Model through Hybrid Feature Selection and Data Balancing 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Hybrid Feature Selection과 Data Balancing을 통한 네트워크 침입 탐지 모델 Network intrusion detection Model through Hybrid Feature Selection and Data Balancing 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

Hybrid Feature Selection과 Data Balancing을 통한 네트워크 침입 탐지 모델
Network intrusion detection Model through Hybrid Feature Selection and Data Balancing 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper