Обнаружение аномалий в сетях 6G с использованием методов машинного обучения

Anomaly Detection in 6G Networks Using Machine Learning Methods
Mohammad Kamrul Hasan, Rania A. Mokhtar, Mamoon Mohammed Ali Saeed, Rashid Abdelhaleem Saeed, Maha Abdelhaq, Raed Ali Alsaqour
2023-07-31

безопасность сетей 6Gобнаружение аномалийансамблевое обучениеотбор признаковобнаружение вторжений
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%...
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.

безопасность сетей 6G и данные о сетевом трафике

эффективность обнаружения аномалий и вторжений на основе машинного обучения

Publication Details
Publication Date
2023-07-31
Journal
Publisher
ISSN
Cited by
160
Access Type
Author Information
Authors
Mohammad Kamrul Hasan
Rania A. Mokhtar
Mamoon Mohammed Ali Saeed
Rashid Abdelhaleem Saeed
Maha Abdelhaq
Raed Ali Alsaqour
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%