Обнаружение киберугроз на основе искусственных нейронных сетей с использованием профилей событий

Cyber Threat Detection Based on Artificial Neural Networks Using Event Profiles
Jonghoon Lee, Jonghyun Kim, Ikkyun Kim, Kijun Han
2019-01-01

AI-SIEMИскусственные нейронные сетиОбнаружение киберугрозПрофилирование событийОбнаружение сетевых вторжений
Одной из основных задач в области кибербезопасности является разработка автоматизированного и эффективного метода обнаружения киберугроз. В данной статье представлен метод обнаружения киберугроз на основе искусственного интеллекта (ИИ) и искусственных нейронных сетей. Предлагаемый метод преобразует множество собранных событий безопасности в отдельные профили событий и использует метод обнаружения на основе глубокого обучения для повышения эффективности обнаружения киберугроз. В рамках работы разработана система управления информацией и событиями безопасности на основе ИИ (AI-SIEM), сочетающая профилирование событий для предварительной обработки данных с различными методами искусственных нейронных сетей, включая полносвязные нейронные сети (FCNN), сверточные нейронные сети (CNN) и сети с долгой краткосрочной памятью (LSTM). Система ориентирована на различение истинно положительных и ложноположительных оповещений, что помогает аналитикам по безопасности оперативно реагировать на киберугрозы. Все эксперименты в данном исследовании выполнены авторами с использованием двух эталонных наборов данных (NSL-KDD и CICIDS2017) и двух наборов данных, собранных в реальных условиях. Для сравнительной оценки производительности с существующими методами проведены эксперименты с использованием пяти традиционных методов машинного обучения: метода опорных векторов (SVM), метода k ближайших соседей (k-NN), случайного леса (RF), наивного байесовского классификатора (NB) и деревьев решений (DT). Результаты экспериментов демонстрируют, что предложенные методы могут применяться в качестве моделей на основе обучения для обнаружения сетевых вторжений и показывают, что даже при использовании в реальных условиях их производительность превосходит производительность традиционных методов машинного обучения.
1
По сравнению с SVM, k-NN, случайным лесом, наивным байесовским классификатором и деревом решений предложенные методы показали более высокую эффективность, в том числе в реальных условиях.
2
Эксперименты проведены на наборах NSLKDD, CICIDS2017 и двух наборах данных из реального мира, что обеспечивает оценку на эталонных и эксплуатационных данных.
3
Результаты подтверждают пригодность нейросетевых моделей с профилированием событий для обучения и обнаружения сетевых вторжений.
4
Предложенная AI-SIEM-система преобразует собранные события безопасности в индивидуальные профили событий перед обнаружением киберугроз на основе нейронных сетей.
5
Система сочетает профилирование событий с моделями FCNN, CNN и LSTM для различения истинно положительных и ложноположительных оповещений.

обнаружение киберугроз в данных событий сетевой безопасности

различение истинно положительных и ложноположительных оповещений с использованием профилей событий и искусственных нейронных сетей

Publication Details
Publication Date
2019-01-01
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Jonghoon Lee
Jonghyun Kim
Ikkyun Kim
Kijun Han
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%