رویکرد یادگیری عمیق سه بعدی یکپارچه برای سیستم تشخیص نفوذ کارآمد با استفاده از ویژگی‌های فضایی-زمانی
الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند
رویا زارع فرخاد ی
1
,
کامبیز مجیدزاده
2
,
محمد مصدری
3
,
علی غفاری
4
1 - دانشجوی دکتری، گروه کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران
2 - استادیار، گروه کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران
3 - استادیار، گروه کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران
4 - دانشیار، گروه کامپیوتر، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
الکلمات المفتاحية: یادگیری عمیق, شبکه های کانولوشنی, سه بعدی, حافظه طولانی کوتاه مدت, ویژگی فضایی, ویژگی زمانی.,
ملخص المقالة :
سیستم‌های تشخیص نفوذ در ترافیک شبکه با تشخیص ورودی‌های ناهنجار و حمله، امنیت شبکه‌ها را افزایش می‌دهند. الگوریتم‌های یادگیری عمیق به دلیل توانایی یادگیری ویژگی‌ها در امنیت شبکه برای داده‌های مقیاس وسیع مورد استفاده قرار می‌گیرند. از طرفی اگر داده‌های ورودی مدلی، دارای ابعاد بالا باشد به ازای هر داده، همسایگان بیشتری وجود خواهند داشت که همین امر باعث دقت بیشتر در مدل می‌شود. از اینرو در این مقاله روشی برای تبدیل داده‌های ورودی به سه بعدی ارائه شده‌است. شبکه‌های عصبی کانولوشن به طور موثر ویژگی‌های فضایی را به دست می‌آورند، شبکه‌های عصبی حافظه کوتاه-مدت بلند بهتر برای ویژگی‌های زمانی عمل می‌کنند. یکپارچه‌سازی این مدل‌ها می‌تواند قابلیت بهبود سیستم تشخیص نفوذ مقیاس وسیع را داشته باشد. یادگیری همزمان ویژگی‌های فضایی و زمانی اطلاعات برای هر مدل، امری چالش‌برانگیز است. در مدل پیشنهادی کانولوشن با حافظه طولانی کوتاه مدت دو شاخه با داده‌های سه بعدی( CLBS3[i] )از یک کانولوشن بهبود یافته با ورودی سه بعدی برای یادگیری ویژگی‌های فضایی استفاده می‌شود. به صورت همزمان و موازی، حافظه طولانی کوتاه مدت، روابط سلسله‌مراتبی بین ویژگی‌های مختلف را یاد می‌گیرد و ویژگی‌های زمانی را استخراج می‌کند. در نهایت، رویکرد یکپارچه مدل CLBS3 از ویژگی‌های فضایی-زمانی استخراج شده برای دسته‌بندی داده‌های شبکه استفاده می‌کند. آزمون‌ها بر روی مجموعه داده UNSWNB15 انجام شده است و ارزیابی عملکرد CLBS3 نشان می‌دهد که در مقایسه با روش‌های تشخیص نفوذ معاصر، مدل پیشنهادی با دقت 46/98با تعداد کمتری اشتباهات برابر 1/0 در مجموعه داده UNSWNB15 عملکرد بهتری در تشخیص نفوذ ارائه می‌دهد.
[i] Convolutional neural network and Long Short Term Memory Branch Splitter with three dimensions’ data(CLBS3)
[1] P. Mishra, V. Varadharajan, U. Tupakula, and E. S. Pilli, "A detailed investigation and analysis of using machine learning techniques for intrusion detection," IEEE communications surveys & tutorials, vol. 21, pp. 686-728, 2018.#
[2] L. O. Anyanwu, J. Keengwe, and G. A. Arome, "Scalable intrusion detection with recurrent neural networks," in 2010 Seventh International Conference on Information Technology: New Generations, 2010, pp. 919-923.#
[3] Z. X. Yang, X. L. Qin, W. R. Li, and Y. J. Yang, "A DDoS detection approach based on CNN in cloud computing," Applied Mechanics and Materials, vol. 513, pp. 579-584, 2014.#
[4] R. C. Staudemeyer, "Applying long short-term memory recurrent neural networks to intrusion detection," South African Computer Journal, vol. 56, pp. 136-154, 2015.#
[5] H. K. Maragheh, F. S. Gharehchopogh, K. Majidzadeh, and A. B. Sangar, "A Hybrid Model Based on Convolutional Neural Network and Long Short-Term Memory for Multi-label Text Classification," Neural Processing Letters, vol. 56, p. 42, 2024/02/16 2024.#
[6] H. Ebrahimi, K. Majidzadeh, and F. Soleimanian Gharehchopogh, "Integration of deep learning model and feature selection for multi-label classification," International Journal of Nonlinear Analysis and Applications, vol. 13, pp. 2871-2883, 2022.#
[7] H. Wang, J. Gu, and S. Wang, "An effective intrusion detection framework based on SVM with feature augmentation," Knowledge-Based Systems, vol. 136, pp. 130-139, 2017.#
[8] M. Usha and P. Kavitha, "Anomaly based intrusion detection for 802.11 networks with optimal features using SVM classifier," Wireless Networks, vol. 23, pp. 2431-2446, 2017.#
[9] W. Meng, W. Li, and L. F. Kwok, "Design of intelligent KNN‐based alarm filter using knowledge‐based alert verification in intrusion detection," Security and Communication Networks, vol. 8, pp. 3883-3895, 2015.#
[10] G. Serpen and E. Aghaei, "Host-based misuse intrusion detection using PCA feature extraction and kNN classification algorithms," Intelligent Data Analysis, vol. 22, pp. 1101-1114, 2018.#
[11] Y. Y. Aung and M. M. Min, "An analysis of K-means algorithm based network intrusion detection system," Advances in Science, Technology and Engineering Systems Journal, vol. 3, pp. 496-501, 2018.#
[12] N. Farnaaz and M. Jabbar, "Random forest modeling for network intrusion detection system," Procedia Computer Science, vol. 89, pp. 213-217, 2016.#
[13] K. Peng, V. C. Leung, L. Zheng, S. Wang, C. Huang, and T. Lin, "Intrusion detection system based on decision tree over big data in fog environment," Wireless Communications and Mobile Computing, vol. 2018, p. 4680867, 2018.#
[14] E. Besharati, M. Naderan, and E. Namjoo, "LR-HIDS: logistic regression host-based intrusion detection system for cloud environments," Journal of Ambient Intelligence and Humanized Computing, vol. 10, pp. 3669-3692, 2019.#
[15] S. Teng, N. Wu, H. Zhu, L. Teng, and W. Zhang, "SVM-DT-based adaptive and collaborative intrusion detection," IEEE/CAA Journal of Automatica Sinica, vol. 5, pp. 108-118, 2017.#
[16] P. Tao, Z. Sun, and Z. Sun, "An improved intrusion detection algorithm based on GA and SVM," Ieee Access, vol. 6, pp. 13624-13631, 2018.#
[17] A. Khraisat, I. Gondal, P. Vamplew, J. Kamruzzaman, and A. Alazab, "A novel ensemble of hybrid intrusion detection system for detecting internet of things attacks," Electronics, vol. 8, p. 1210, 2019.#
[18] A. Shenfield, D. Day, and A. Ayesh, "Intelligent intrusion detection systems using artificial neural networks," Ict Express, vol. 4, pp. 95-99, 2018.#
[19] M. M. Baig, M. M. Awais, and E.-S. M. El-Alfy, "A multiclass cascade of artificial neural network for network intrusion detection," Journal of Intelligent & Fuzzy Systems, vol. 32, pp. 2875-2883, 2017.#
[20] I. Sumaiya Thaseen, J. Saira Banu, K. Lavanya, M. Rukunuddin Ghalib, and K. Abhishek, "An integrated intrusion detection system using correlation‐based attribute selection and artificial neural network," Transactions on Emerging Telecommunications Technologies, vol. 32, p. e4014, 2021.#
[21] J. Kim, J. Kim, H. Kim, M. Shim, and E. Choi, "CNN-based network intrusion detection against denial-of-service attacks," Electronics, vol. 9, p. 916, 2020.#
[22] M. T. Nguyen and K. Kim, "Genetic convolutional neural network for intrusion detection systems," Future Generation Computer Systems, vol. 113, pp. 418-427, 2020.#
[23] S. A. Althubiti, E. M. Jones, and K. Roy, "LSTM for anomaly-based network intrusion detection," in 2018 28th International telecommunication networks and applications conference (ITNAC), 2018, pp. 1-3.#
[24] A. Chawla, P. Jacob, B. Lee, and S. Fallon, "Bidirectional LSTM autoencoder for sequence based anomaly detection in cyber security," International Journal of Simulation–Systems, Science & Technology, vol. 20, pp. 1-6, 2019.#
[25] M. Amar and B. E. Ouahidi, "Weighted LSTM for intrusion detection and data mining to prevent attacks," International Journal of Data Mining, Modelling and Management, vol. 12, pp. 308-329, 2020.#
[26] S. N. M. Khosroshahi, S. N. Razavi, A. Babazadeh Sangar, and K. Majidzadeh, "Offline Identification of the Author using Heterogeneous Data based on Deep Learning," Computational Intelligence in Electrical Engineering, vol. 13, pp. 115-134, 2022.#
[27] M. A. Khan, M. R. Karim, and Y. Kim, "A scalable and hybrid intrusion detection system based on the convolutional-LSTM network," Symmetry, vol. 11, p. 583, 2019.#
[28] W. Wang, Y. Sheng, J. Wang, X. Zeng, X. Ye, Y. Huang, et al., "HAST-IDS: Learning hierarchical spatial-temporal features using deep neural networks to improve intrusion detection," IEEE access, vol. 6, pp. 1792-1806, 2017.#
[29] J. Zhang, Y. Ling, X. Fu, X. Yang, G. Xiong, and R. Zhang, "Model of the intrusion detection system based on the integration of spatial-temporal features," Computers & Security, vol. 89, p. 101681, 2020.#
[30] P. R. Kanna and P. Santhi, "Unified deep learning approach for efficient intrusion detection system using integrated spatial–temporal features," Knowledge-Based Systems, vol. 226, p. 107132, 2021.#
