Effective Intrusion Detection in Highly Imbalanced IoT Networks with Lightweight S2CGAN-IDS

要約

モノのインターネット (IoT) の出現以来、膨大な量の情報の交換により、ネットワーク内のセキュリティ上の脅威の数が増加しました。
その結果、高スループットかつ高精度を実現するディープラーニング（DL）に基づく侵入検知が開発されました。
一般的な深層学習ベースのシナリオとは異なり、IoT ネットワークには異常なトラフィックよりも無害なトラフィックがはるかに多く含まれており、まれに攻撃も含まれます。
ただし、既存の研究のほとんどは、クラス不均衡な IoT ネットワークにおける少数クラスの検出率を向上させるために、多数派クラスの検出率を犠牲にすることに焦点を当ててきました。
この方法では、少数派クラスの誤検知率を減らすことができますが、リソースを無駄にし、侵入検知システムの信頼性を低下させます。
この問題に対処するために、S2CGAN-IDS という名前の軽量フレームワークを提案します。
提案されたフレームワークは、ネットワーク トラフィックの分布特性を利用して、データ空間と特徴空間の両方で少数派カテゴリの数を拡大します。その結果、多数派カテゴリの検出精度を確保しながら、少数派カテゴリの検出率が大幅に向上します。
実験に対するスパース性の影響を軽減するために、CICIDS2017 数値データセットを利用して、提案された方法の有効性を実証します。
実験結果は、私たちが提案したアプローチが精度と再現率の両方で優れた方法を上回っており、特に F1 スコアが 10.2% 向上していることを示しています。

要約(オリジナル)

Since the advent of the Internet of Things (IoT), exchanging vast amounts of information has increased the number of security threats in networks. As a result, intrusion detection based on deep learning (DL) has been developed to achieve high throughput and high precision. Unlike general deep learning-based scenarios, IoT networks contain benign traffic far more than abnormal traffic, with some rare attacks. However, most existing studies have been focused on sacrificing the detection rate of the majority class in order to improve the detection rate of the minority class in class-imbalanced IoT networks. Although this way can reduce the false negative rate of minority classes, it both wastes resources and reduces the credibility of the intrusion detection systems. To address this issue, we propose a lightweight framework named S2CGAN-IDS. The proposed framework leverages the distribution characteristics of network traffic to expand the number of minority categories in both data space and feature space, resulting in a substantial increase in the detection rate of minority categories while simultaneously ensuring the detection precision of majority categories. To reduce the impact of sparsity on the experiments, the CICIDS2017 numeric dataset is utilized to demonstrate the effectiveness of the proposed method. The experimental results indicate that our proposed approach outperforms the superior method in both Precision and Recall, particularly with a 10.2% improvement in the F1-score.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google