DAIDNet：ネットワーク侵入の自動検出のための軽量なドメイン認識アーキテクチャ

侵入検出および予防は、サイバーセキュリティの実践における機械学習の利用に関する活発な研究分野です。人工ニューラルネットワーク（ANN）は、侵入を攻撃クラスまたは良性プロファイルに正確に分類する際、最もよく知られたモデルの一つですが、リソース集約的です。サーバーは通常、大量の高頻度データに関連付けられます。このような条件下で、この目的のためにANNを展開することは、パケットの配信先への遅延やオーバーヘッドを引き起こす可能性があります。さらに、既存の深層学習アプローチは、異なる攻撃クラス間の類似性に対処しておらず、この情報は防御戦略の選択に利用できます。我々は「DAIDNet」と呼ばれる軽量アーキテクチャを提案します。これは、パケット配布から抽出されたクラスのドメインが含む情報を利用して、より良い予測を行います。結果は、DAIDNetがベースラインのANNモデルよりもサイズが大幅に小さいながら、より良い精度を達成することを示しています。DAIDNetは、NSL-KDDおよびCICIDS-2018データセットでそれぞれ99.66％および99.98％の検証精度を達成しました。