ディープニューラルネットアンサンブルを用いた複数攻撃クラスの侵入検知

侵入検知システム（IDS）は、ネットワーク攻撃から保護するために必要です。このシステムは、接続されたコンピュータのネットワーク内での活動を監視し、侵入パターンを分析します。攻撃イベントが発生すると、システムはそれに応じて対応する必要があります。過去に提案されたさまざまな機械学習技術は、大まかにクラスタリングアルゴリズムと分類アルゴリズムの2つのカテゴリに分類されます。本論文では、異なる攻撃を分類するためにニューラルネットワークアンサンブル法を用いてIDSを設計しました。ニューラルネットワークアンサンブル法は、オートエンコーダー、ディープビリーフニューラルネットワーク、ディープニューラルネットワーク、そしてエクストリームラーニングマシンで構成されています。NSL-KDDデータセットを用いて実装されたニューラルネットワークアンサンブル法の検出率と誤報率を測定します。検出率と誤報率はIDSにとって重要な指標ですが、混同行列、分類精度、AUC（曲線下面積）など、他の指標も報告されています。