딥 계층 네트워크와 결합된 하이브리드 샘플링을 통한 네트워크 침입 탐지

침입 탐지 시스템 (IDS)은 악의적인 활동을 발견하고 방지함으로써 네트워크 보안에서 중요한 역할을 합니다. 복잡하고 시간에 따라 변하는 네트워크 환경으로 인해, 네트워크 침입 샘플은 많은 정상 샘플 속에 묻혀 있어 모델 훈련을 위한 샘플이 충분하지 않으며 높은 오탐지율을 가진 탐지 결과로 이어집니다. 데이터 불균형 문제를 해결하기 위해, 우리는 딥 계층 네트워크와 결합된 하이브리드 샘플링을 사용하는 네트워크 침입 탐지 알고리즘을 제안합니다. 먼저, 다수 카테고리의 노이즈 샘플을 줄이기 위해 단일 선택 (OSS)을 사용하고, 그 다음 합성 소수 과샘플링 기법 (SMOTE)으로 소수 샘플을 증가시킵니다. 이러한 방법으로, 소수 샘플의 특징을 모델이 충분히 학습할 수 있는 균형 잡힌 데이터셋을 구축하고 모델 훈련 시간을 크게 줄일 수 있습니다. 둘째로, 우리는 공간적 특징을 추출하기 위해 합성곱 신경망 (CNN)을 사용하고, 시간적 특징을 추출하기 위해 양방향 장단기 메모리 (BiLSTM)를 사용하여 깊은 계층 네트워크 모델을 형성합니다. 제안된 네트워크 침입 탐지 알고리즘은 NSL-KDD와 UNSW-NB15 데이터셋을 대상으로 실험을 통해 검증되었으며, 분류 정확도는 각각 83.58%와 77.16%에 도달할 수 있습니다.