Convolutional Neural Networks and Mixture of Experts for Intrusion Detection in 5G Networks and beyond

要約

6G/NextG ネットワークの出現には、優れた容量、信頼性、効率性などの一連の利点が伴います。
ただし、これらのネットワークは新たなセキュリティ脅威に対して脆弱になる可能性があります。
したがって、これらの攻撃を回避するには、6G/NextG ネットワークに高度な人工知能アルゴリズムを搭載する必要があります。
侵入検知タスクに関する既存の研究は、ロジスティック回帰やデシジョン ツリーなどの浅い機械学習分類器の列に依存しており、次善のパフォーマンスをもたらしています。
他のものは、入力に条件のない静的コンポーネントで構成されるディープ ニューラル ネットワークに基づいています。
これにより、表現力と効率が制限されます。
これらの問題を解決するために、悪意のあるトラフィックを識別するために専門家混合 (MoE) を統合した最初の研究を紹介します。
具体的には、ネットワーク トラフィック データを使用して、フィーチャの 1D 配列を 2D マトリックスに変換します。
次に、この行列を畳み込みニューラル ネットワーク (CNN) 層に渡し、その後バッチ正規化層と最大プーリング層を渡します。
CNN レイヤーを介して表現ベクトルを取得した後、まばらにゲートされた MoE レイヤーが使用されます。
この層は、一連のエキスパート (高密度層) とルーターで構成され、ルーターは各エキスパートの出力に重みを割り当てます。
スパース性は、全体の専門家の中から最も関連性の高い専門家を選択することによって実現されます。
最後に、提案したモデルの有効性を証明するために一連のアブレーション実験を実行します。
実験は、実際の 5G テスト ネットワークから生成されたネットワーク侵入検知データセットである 5G-NIDD データセットで行われます。
結果は、導入したアプローチが最大 99.95% の加重 F1 スコアに達し、既存のアプローチと同等のパフォーマンスを達成することを示しています。
調査結果は、私たちが提案したモデルが最先端のアプローチに比べて複数の利点を達成していることも示しています。

要約(オリジナル)

The advent of 6G/NextG networks comes along with a series of benefits, including extreme capacity, reliability, and efficiency. However, these networks may become vulnerable to new security threats. Therefore, 6G/NextG networks must be equipped with advanced Artificial Intelligence algorithms, in order to evade these attacks. Existing studies on the intrusion detection task rely on the train of shallow machine learning classifiers, including Logistic Regression, Decision Trees, and so on, yielding suboptimal performance. Others are based on deep neural networks consisting of static components, which are not conditional on the input. This limits their representation power and efficiency. To resolve these issues, we present the first study integrating Mixture of Experts (MoE) for identifying malicious traffic. Specifically, we use network traffic data and convert the 1D array of features into a 2D matrix. Next, we pass this matrix through convolutional neural network (CNN) layers followed by batch normalization and max pooling layers. After obtaining the representation vector via the CNN layers, a sparsely gated MoE layer is used. This layer consists of a set of experts (dense layers) and a router, where the router assigns weights to the output of each expert. Sparsity is achieved by choosing the most relevant experts of the total ones. Finally, we perform a series of ablation experiments to prove the effectiveness of our proposed model. Experiments are conducted on the 5G-NIDD dataset, a network intrusion detection dataset generated from a real 5G test network. Results show that our introduced approach reaches weighted F1-score up to 99.95% achieving comparable performance to existing approaches. Findings also show that our proposed model achieves multiple advantages over state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google