Обнаружение киберугроз на основе искусственных нейронных сетей с использованием профилей событий
Cyber Threat Detection Based on Artificial Neural Networks Using Event Profiles
2019-01-01
SCID: 54.1/mthnyqhs
Discuss with AI
AI-SIEMИскусственные нейронные сетиОбнаружение киберугрозПрофилирование событийОбнаружение сетевых вторжений
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
обнаружение киберугроз в данных событий сетевой безопасности
Research Subject
различение истинно положительных и ложноположительных оповещений с использованием профилей событий и искусственных нейронных сетей
Publication Details
Publication Date
2019-01-01
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest