기계 학습 기술을 사용한 네트워크 트래픽 내 사이버 공격 탐지의 분류

기술이 발전함에 따라 인터넷을 사용하는 사람들과 인터넷에 연결될 수 있는 다양한 장치의 수가 증가하고 있습니다. 현재 인터넷 트래픽이 더 많아져 공격에 더 취약해지고 있습니다. 복잡하고 은폐된 공격을 식별하기 위해 학습 침입 탐지 시스템 구축에 대한 연구가 집중되고 있습니다. 작은 샘플 크기와 네트워크 공격 탐지에 대한 공격 행동의 분류 성능을 높이기 위해 본 논문에서는 적응형 합성 샘플링(ADASYN)을 사용하는 것을 제안합니다. 제안된 연구는 네트워크의 침입 및 공격을 분류하기 위해 세 가지 기계 학습 모델을 사용합니다. K-최근접 이웃, 결정 트리 및 랜덤 포레스트를 포함한 여러 기계 학습 모델을 개발한 후, 우리는 비균형 분포의 레이블에 대해 데이터를 정리, 정규화 및 오버 샘플링하고 데이터 세트를 축소하기 위해 Elastic net 정규화 기반 특징 선택을 사용했습니다. 우리는 세 가지 공개 벤치마크 데이터 세트인 NSL-KDD, UNSW-NB15 및 CICIDS2017에서 제안된 모델을 테스트했습니다. 정확도와 F1-점수 측면에서 시험은 랜덤 포레스트 모델과 하이브리드 ADASYN을 선호합니다.