Temporal-Spatial Attention Network (TSAN) for DoS Attack Detection in Network Traffic

要約

サービス拒否（DOS）攻撃は、ネットワークセキュリティ、サービスの混乱、重大な経済的損失を引き起こすための重大な脅威のままです。
統計的およびルールベースのモデルを含む従来の検出方法は、進化する攻撃パターンに適応するのに苦労しています。
この課題に対処するために、ネットワークトラフィックにおけるサービス拒否（DOS）攻撃を検出するための新しい時間空間注意ネットワーク（TSAN）アーキテクチャを提案します。
ネットワークトラフィックの時間的および空間的特徴の両方を活用することにより、私たちのアプローチは、従来の方法が見逃す可能性のある複雑なトラフィックパターンと異常をキャプチャします。
TSANモデルには、トランスベースの時間エンコーディング、畳み込み空間エンコーディング、およびこれらの補完的な特徴スペースを融合するための相互参加メカニズムが組み込まれています。
さらに、モデルの堅牢性を高めるために、補助タスクでマルチタスク学習を採用しています。
NSL-KDDデータセットの実験結果は、TSANが最先端のモデルを上回り、リアルタイムの展開のための計算効率を維持しながら、優れた精度、精度、リコール、およびF1スコアを達成することを示しています。
提案されたアーキテクチャは、検出精度と計算オーバーヘッドの間の最適なバランスを提供し、実際のネットワークセキュリティアプリケーションに非常に適しています。

要約(オリジナル)

Denial-of-Service (DoS) attacks remain a critical threat to network security, disrupting services and causing significant economic losses. Traditional detection methods, including statistical and rule-based models, struggle to adapt to evolving attack patterns. To address this challenge, we propose a novel Temporal-Spatial Attention Network (TSAN) architecture for detecting Denial of Service (DoS) attacks in network traffic. By leveraging both temporal and spatial features of network traffic, our approach captures complex traffic patterns and anomalies that traditional methods might miss. The TSAN model incorporates transformer-based temporal encoding, convolutional spatial encoding, and a cross-attention mechanism to fuse these complementary feature spaces. Additionally, we employ multi-task learning with auxiliary tasks to enhance the model’s robustness. Experimental results on the NSL-KDD dataset demonstrate that TSAN outperforms state-of-the-art models, achieving superior accuracy, precision, recall, and F1-score while maintaining computational efficiency for real-time deployment. The proposed architecture offers an optimal balance between detection accuracy and computational overhead, making it highly suitable for real-world network security applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google