Online Self-Supervised Learning in Machine Learning Intrusion Detection for the Internet of Things

要約

このペーパーでは、人間の介入や事前のオフライン学習を必要としない完全オンラインの機械学習 (ML) ベースの侵入検知システム (IDS) を可能にする、新しい自己監視型侵入検知 (SSID) 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、自動連想ディープ ランダム ニューラル ネットワークを使用した IDS 自体の決定と、統計的に測定された信頼性のオンライン推定にのみ基づいて、受信トラフィック パケットを分析し、ラベルを付けます。
SSID フレームワークにより、IDS はネットワーク トラフィックの時間とともに変化する特性に迅速に適応できるようになり、オフライン データ収集の必要がなくなります。
このアプローチにより、データのラベル付けにおける人的エラー、モデルのトレーニングとデータ収集の人件費と計算コストが回避されます。
このアプローチは公開データセットで実験的に評価され、よく知られている ML モデルと比較され、この SSID フレームワークが IoT システム向けの正確なオンライン学習 ML ベースの IDS として非常に有用で有利であることが示されています。

要約(オリジナル)

This paper proposes a novel Self-Supervised Intrusion Detection (SSID) framework, which enables a fully online Machine Learning (ML) based Intrusion Detection System (IDS) that requires no human intervention or prior off-line learning. The proposed framework analyzes and labels incoming traffic packets based only on the decisions of the IDS itself using an Auto-Associative Deep Random Neural Network, and on an online estimate of its statistically measured trustworthiness. The SSID framework enables IDS to adapt rapidly to time-varying characteristics of the network traffic, and eliminates the need for offline data collection. This approach avoids human errors in data labeling, and human labor and computational costs of model training and data collection. The approach is experimentally evaluated on public datasets and compared with well-known ML models, showing that this SSID framework is very useful and advantageous as an accurate and online learning ML-based IDS for IoT systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google