NGHIÊN CỨU ỨNG DỤNG MỘT SỐ THUẬT TOÁN HỌC SÂU CHO BÀI TOÁN PHÁT HIỆN SỚM XÂM NHẬP BẤT THƯỜNG TRONG MẠNG

Hồ Thị Tuyến; Lê Hoàng Hiệp

doi:10.34238/tnu-jst.7494

NGHIÊN CỨU ỨNG DỤNG MỘT SỐ THUẬT TOÁN HỌC SÂU CHO BÀI TOÁN PHÁT HIỆN SỚM XÂM NHẬP BẤT THƯỜNG TRONG MẠNG

Thông tin bài báo

Ngày nhận bài: 08/03/23 Ngày hoàn thiện: 21/04/23 Ngày đăng: 31/08/23

Các tác giả

1. Hồ Thị Tuyến, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
2. Lê Hoàng Hiệp , Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên

Tóm tắt

Bài báo này tập trung nghiên cứu đề xuất xây dựng mô hình đánh giá hiệu quả của các thuật toán Deep Learning gồm Recurrent Neural Network (RNN), Long Short Term Memory (LSTM) và Gated Recurrent Unit (GRU), từ đó biết được mức độ tin cậy của từng bộ dữ liệu trong việc xây dựng mô hình phát hiện bất thường mạng. Do các mô hình đều có cấu trúc tương đồng nhau, vì vậy việc đánh giá sẽ đảm bảo tính khách quan. Hơn nữa, thông qua việc đánh giá hai bộ dữ liệu CICIDS2017 và CSE-CICIDS2018 kết quả cho thấy các thuật toán áp dụng trên CICIDS2017 cho tỉ lệ chính xác lên tới 98,96%, cao hơn so với bộ CSE-CICIDS2018 chỉ khoảng 89-91% và mô hình GRU cho kết quả tốt nhất (Accuracy trên CICIDS2017 là 98,73% và trên bộ CSE-CICIDS2018 là 91,76%). Nghiên cứu cũng cho thấy các thuật toán Deep Learning xây dựng dựa trên mạng RNN đều tỏ ra tương đối hiệu quả khi cho kết quả phát hiện tấn công mạng tốt hơn so với các thuật toán Machine Learning cơ bản, có khả năng phát hiện một số đặc trưng ẩn; cả hai bộ dữ liệu đều đáng tin cậy hơn so với những bộ dữ liệu đã cũ trước đây.

Từ khóa

Phát hiện tấn công; Tấn công mạng; An ninh mạng; Học sâu; Xâm nhập mạng

Toàn văn:

PDF

Tài liệu tham khảo

[1] S. Naseer and Y. Saleem, “Enhanced Network Intrusion Detection using Deep Convolutional Neural Networks,” KSII Transactions on internet and information systems, vol. 12, no. 10, pp. 5159-5178, 2018.

[2] W. L. Al-Yaseen, Z. A. Othman, and M. Z. A. Nazri, “Multi-level hybrid support vector machine and extreme learning machine based on modified K-means for intrusion detection system,” Expert Syst. Appl., vol. 67, pp. 296–303, Jan. 2017.

[3] K. Alrawashdeh and C. Purdy, “Toward an Online Anomaly Intrusion Detection System Based on Deep Learning,” 15th IEEE International Conference on Machine Learning and Applications (ICMLA), USA, 2016, doi:10.1109/ICMLA.2016.0040

[4] V. K. Kanneganti, K. Swthi, and B. Brao, “A Novel Framework for NIDS through Fast kNN Classifier on CICIDS2017 Dataset,” International Journal of Recent Technology and Engineering, vol. 8, no. 5, pp. 2277-3878, 2020.

[5] J. Kim, N. Shin, S. Y. Jo, and S. H. Kim, “Method of intrusion detection using deep neural network,” in Proc. of IEEE International Conference on Big Data and Smart Computing (BigComp), 2017, pp. 313–316.

[6] R. A. R. Ashfaq, X. Z. Wang, J. Z. Huang, H. Abbas, and Y. L. He, “Fuzziness based semi-supervised learning approach for intrusion detection system,” Information Sciences, vol. 378, pp. 484–497, 2017, doi: 10.1016/j.ins.2016.04.019.

[7] E. Alhajjar, “Adversarial machine learning in Network Intrusion Detection Systems,” Expert Systems with Applications, vol. 186, pp. 1-10, 2021.

[8] K. Swathi and B. B. Rao, “Impact of PDS Based kNN Classifiers on Kyoto Dataset,” International Journal of RoughSets and Data Analysis (IJRSDA), vol. 6, no. 2, pp. 61-72, 2019, doi: 10.4018/IJRSDA.2019040105.

[9] B. Rao, “A Fast KNN Based Intrusion Detection System for Cloud Environment,” Jour of Adv Research in Dynamical & Control Systems, vol. 10, no. 7, pp. 1509 -1515, 2018.

[10] Y. Liao and R. V. Vemuri, “Use of K-Nearest Neighbor classifier for intrusion detection,” Computers & Security, vol. 21, no. 5, pp. 439-448, 2002.

[11] F. S. D. L. Filho, A. M. B. Junior, G. V. Solar, and L. F. Silveira, “Smart Detection: An Online Approach for DoS/DDoS Attack Detection Using Machine Learning,” Security and Communication Networks, vol. 2019, pp. 1-15, 2019.

[12] J. Long, "TR-IDS: Anomaly-Based Intrusion Detection through Text-Convolutional Neural Network and Random Forest," Security and Communication Networks, vol. 1, pp. 1-9, 2018.

[13] A. Maraj, “Testing of network security systems through DoS attacks,” in 6th Mediterranean Conference on Embedded Computing (MECO), 2017, pp. 368-373, doi: 10.1109/MECO.2017.7977239.

[14] H. H. Le, “Studying a solution for early detection of DDoS attacks based on machine learning algorithms,” TNU Journal of Science and Technology, vol. 227, no. 11, pp. 137 - 144, 2022.

[15] H. H. Le, “Study technique to limit bandwidth spending from DDoS attacks,” Yersin Journal of Science - Yersin University, vol. 7, pp. 52-61, 2020.

[16] H. H. Le, “Improve network security system in Vietnam using reverse method,” TNU Journal of Science and Technology, vol. 225, no. 09, pp. 125-133, 2020.

[17] H. H. Le, “Study to applying Blockchain technology for preventing of spam email,” TNU - Journal of Science and Technology, vol. 208, no. 15, pp. 161-167, 2019.

[18] H. H. Le, “Combinning VLAN-Access List to enhance VLAN security efficient,” TNU Journal of Science and Technology, vol. 181, no. 05, pp. 143-149, 2018.

[19] H. H. Le, “Network design of IPv6 safety based on analysis, feature assessment of IPv6 protocol,” TNU Journal of Science and Technology, vol. 188, no. 12, pp. 85-91, 2018.

[20] H. H. Le, “Study to analyse, compare and evaluate the performance of Next General Firewalls: case of Palo Alto and Fortigate Firewall,” Vinh University Journal of Science (VUJS), vol. 51, no. 2A/2022, pp. 24-36, 2022.

DOI: https://doi.org/10.34238/tnu-jst.7494

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ