Методы машинного и глубокого обучения для систем обнаружения вторжений: обзор

Сети играют важную роль в современной жизни, а кибербезопасность стала важной областью исследований. Система обнаружения вторжений (IDS), являющаяся важным средством кибербезопасности, отслеживает состояние программного и аппаратного обеспечения, функционирующего в сети. Несмотря на десятилетия развития, существующие IDS по-прежнему сталкиваются с проблемами повышения точности обнаружения, снижения частоты ложных тревог и выявления неизвестных атак. Для решения этих проблем многие исследователи сосредоточились на разработке IDS, использующих методы машинного обучения. Методы машинного обучения способны автоматически выявлять существенные различия между нормальными и аномальными данными с высокой точностью. Кроме того, методы машинного обучения обладают высокой обобщающей способностью и поэтому позволяют обнаруживать неизвестные атаки. Глубокое обучение является разделом машинного обучения, демонстрирует высокую эффективность и стало одним из актуальных направлений исследований. В данном обзоре предложена таксономия IDS, в которой объекты данных используются в качестве основного измерения для классификации и систематизации публикаций, посвящённых IDS на основе машинного и глубокого обучения. Мы считаем, что такой таксономический подход подходит для исследователей в области кибербезопасности. Сначала в обзоре уточняются понятие и таксономия IDS. Затем рассматриваются часто используемые в IDS алгоритмы машинного обучения, метрики оценки и эталонные наборы данных. Далее на основе репрезентативных исследований предложенная таксономия используется в качестве основы для объяснения способов решения ключевых задач IDS с помощью методов машинного и глубокого обучения. Наконец, обсуждаются существующие проблемы и перспективы дальнейшего развития на основе анализа недавно опубликованных репрезентативных исследований.