Обнаружение аномалий в сетях 6G с использованием методов машинного обучения
Anomaly Detection in 6G Networks Using Machine Learning Methods
2023-07-31
SCID: 54.1/vtyhpw6k
Discuss with AI
безопасность сетей 6Gобнаружение аномалийансамблевое обучениеотбор признаковобнаружение вторжений
Figures from the paper
Abstract (AI)
Хотя облачность сетей с архитектурой, ориентированной на микросервисы, является хорошо известной особенностью 5G, эпоха сетей 6G тесно связана с интеллектуальной оркестрацией и управлением сетью. Следовательно, искусственный интеллект (ИИ), машинное обучение (МО) и глубокое обучение (ГО) будут играть значительную роль в предполагаемой парадигме 6G. Будущая сквозная автоматизация сетей требует проактивного обнаружения угроз, применения интеллектуальных стратегий их нейтрализации и обеспечения самоподдерживаемости сетей 6G. Для усиления и закрепления роли ИИ в защите сетей 6G в статье исследуется возможность применения ИИ для обеспечения безопасности 6G. Для этого была переработана новая система обнаружения аномалий в сетях 6G (AD6GNs), основанная на ансамблевом обучении (EL) для сетей связи. Первым этапом процесса EL-ADCN является предварительная обработка. Второй этап — отбор признаков. На этом этапе применяется переработанный гибридный подход, основанный на сравнении алгоритмов ансамблевого обучения и случайного леса для отбора признаков (CFS-RF). Используются четыре набора данных — NB2015, CIC_IDS2017, NSL KDD и CICDDOS2019; размерность каждого из них сокращается, а оптимальное подмножество признаков определяется отдельно. На третьем этапе для обнаружения вторжений применяются гибридные методы ансамблевого обучения. В качестве метода агрегации используется голосование по большинству, а два классификатора — метод опорных векторов (SVM) и случайный лес (RF) — модифицируются для использования в качестве алгоритмов ансамблевого обучения для бэггинга и AdaBoost соответственно. Заключительный этап оценивается с использованием бинарной и многоклассовой классификации. Наилучшие экспериментальные результаты были получены при применении к четырем наборам данных — NSL_KDD, UNSW_NB2015, CIC_IDS2017 и CICDDOS2019 — переработанной системы с использованием 30, 35, 40 и 40 признаков соответственно. Для набора данных NSL_KDD точность составила 99,5% при уровне ложных тревог 0,0038; для UNSW_NB2015 точность составила 99,9%...
Key Findings
1
Снижение размерности позволило определить оптимальные наборы из 30, 35, 40 и 40 признаков для NSL_KDD, UNSW_NB2015, CIC_IDS2017 и CICDDoS2019 соответственно.
2
Классификаторы SVM и случайного леса адаптированы как ансамблевые алгоритмы для AdaBoost и бэггинга соответственно, чтобы обнаруживать сетевые вторжения.
3
Предложенный конвейер объединяет предварительную обработку, гибридный отбор признаков CFS-RF, ансамблевое обнаружение вторжений, агрегирование методом усреднённого голосования и бинарную или многоклассовую классификацию.
4
Заявленные результаты включают точность 99,5% и частоту ложных тревог 0,0038 для NSL_KDD, а также точность 99,9% для UNSW_NB2015; абстракт обрывается до представления остальных результатов.
5
В исследовании переработана система обнаружения аномалий AD6GNs на основе ансамблевого обучения для повышения безопасности будущих сетей 6G.
Research Object
безопасность сетей 6G и данные о сетевом трафике
Research Subject
эффективность обнаружения аномалий и вторжений на основе машинного обучения
Publication Details
Publication Date
2023-07-31
Journal
Publisher
ISSN
Cited by
160
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest