Система обнаружения вторжений в сети: систематическое исследование подходов на основе машинного и глубокого обучения

Стремительное развитие Интернета и коммуникационных технологий привело к значительному увеличению размеров сетей и соответствующего объема данных. В результате появилось множество новых атак, что создало проблемы для сетевой безопасности и точного обнаружения вторжений. Кроме того, нельзя игнорировать присутствие злоумышленников, стремящихся осуществлять различные атаки внутри сети. Система обнаружения вторжений (IDS) представляет собой инструмент, защищающий сеть от потенциальных вторжений путем анализа сетевого трафика для обеспечения его конфиденциальности, целостности и доступности. Несмотря на значительные исследовательские усилия, IDS по-прежнему сталкиваются с проблемами повышения точности обнаружения, снижения уровня ложных срабатываний и выявления новых вторжений. В последнее время системы обнаружения вторжений на основе машинного обучения (ML) и глубокого обучения (DL) внедряются как перспективные решения для эффективного обнаружения вторжений в сетях. В статье сначала уточняется понятие IDS, а затем представляется таксономия, основанная на основных методах ML и DL, применяемых при разработке сетевых систем обнаружения вторжений (NIDS). Проводится всесторонний обзор недавних исследований, посвященных NIDS, с обсуждением преимуществ и ограничений предложенных решений. Затем рассматриваются современные тенденции и достижения в области NIDS на основе ML и DL с точки зрения предлагаемых методологий, оценочных метрик и выбора наборов данных. На основе выявленных недостатков предложенных методов обозначены различные исследовательские проблемы и сформулированы перспективные направления дальнейших исследований по совершенствованию NIDS на основе ML и DL.