Novelty Detection in Network Traffic: Using Survival Analysis for Feature Identification
원문 초록
Intrusion Detection Systems are an important component of many organizations' cyber defense and resiliency strategies. However, one downside of these systems is their reliance on known attack signatures for detection of malicious network events. When it comes to unknown attack types and zero-day exploits, modern Intrusion Detection Systems often fall short. In this paper, we introduce an unconventional approach to identifying network traffic features that influence novelty detection based on survival analysis techniques. Specifically, we combine several Cox proportional hazards models and implement Kaplan-Meier estimates to predict the probability that a classifier identifies novelty after the injection of an unknown network attack at any given time. The proposed model is successful at pinpointing PSH Flag Count, ACK Flag Count, URG Flag Count, and Down/Up Ratio as the main features to impact novelty detection via Random Forest, Bayesian Ridge, and Linear Support Vector Regression classifiers.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
CND-IDS: Continual Novelty Detection for Intrusion Detection Systems
생존 모델 평가에서 종속 중도절단 극복하기
Overcoming Dependent Censoring in the Evaluation of Survival Models
종속 중도절단(dependent censoring)은 관측된 공변량이 주어졌을 때 사건 시간과 중도절단 시간이 조건부 독립이 아닌 경우에 발생한다. 이는 생존 모델 평가를 복잡하게 만드는데, 브라이어 점수(Brier score)와 같이 널리 사용되는 지표들이 일반적으로 우측 중도절단을 중도절단 역확률 가중치(IPCW)를 사용하여 처리하기 때문이다. 그러나 IPCW는 추정된 중도절단 분포가 사건 시간과 독립적일 때에만 유효하다. 본 논문에서는 아르키메데안 코퓰라(Archimedean copula)와 코퓰라-그래픽 추정기(Copula-Graphic estimator)에 기반한 종속 브라이어 점수를 제안하고, 해당 마진-시간 추정기의 일치성 및 점근적 정규성을 확립한다. 지표를 평가하기 위해, 원래의 공변량 구조와 알려진 사건 시간을 보존하면서 현실적인 종속 중도절단을 생성하는 반합성(semi-synthetic) 프레임워크를 소개한다. 12개 데이터셋에 걸쳐, 제안된 지표는 IPCW 대비 평균 12–16%의 추정 오차를 감소시킨다. 소스 코드는 https://github.com/thecml/DependentEVAL 에서 확인할 수 있다.
CO-DEFEND: DoH 기반 보안 위협 탐지를 위한 연속 분산 연합 학습
CO-DEFEND: Continuous Decentralized Federated Learning for Secure DoH-Based Threat Detection
공격자가 DNS over HTTPS(DoH) 터널링을 사용해 암호화된 DNS 트래픽 속에 악성 활동을 숨기면, 악성 행위자가 기존 모니터링 및 침입 탐지 시스템을 우회하고 일반적인 트래픽 분석 기법의 탐지를 피할 수 있으므로 네트워크 보안에 심각한 위협이 된다. DoH 터널을 탐지하는 데 ML 기법을 사용할 수 있지만, 그 효과는 정상 트래픽과 악성 트래픽을 모두 포함하는 대규모 데이터셋에 달려 있다. 이러한 데이터셋을 여러 기관 간에 공유하는 것은 개인정보 보호 우려로 인해 어렵다. 본 연구에서는 여러 기관이 데이터 프라이버시를 보존하면서 DoH 위협 탐지를 위한 분류 머신러닝 모델을 협력적으로 학습하고, 확장성을 높이며 단일 장애점에 대한 복원력을 강화할 수 있는 CO-DEFEND 프레임워크를 제안한다. 제안된 DFL(분산 연합 학습) 프레임워크는 DoH 위협 탐지를 위한 현실적인 구현을 제공하며, 여러 기관이 처리되는 수신 DoH 플로우를 실시간 배치로 온라인에서 로컬 모델을 학습할 수 있게 한다. 이는 현대 인터넷 아키텍처에 자연스럽게 부합하는 접근 방식이다. 이 프레임워크는 서포트 벡터 머신, 로지스틱 회귀, 의사결정나무, 랜덤 포레스트의 네 가지 고전적 머신러닝 알고리즘을 연합 시나리오와 효율적 학습에 맞게 조정한다. 또한 CO-DEFEND의 핵심 방법론적 특징은 DT와 RF를 집계 메커니즘이 아닌 모델 선택 수단으로 사용하는 것으로, 각 참여자가 해석 가능하고 로컬 최적의 의사결정 구조를 유지하면서 집합 통신 업데이트의 이점을 누릴 수 있게 한다. CIRA-CIC-DoHBrw-2020 데이터셋을 사용해 신경망과 같이 계산적으로 더 복잡한 대안을 포함한 기존 머신러닝 접근법과 제안 방법을 비교하여, 확장성과 계산 효율성을 개선하면서 악성 DoH 터널을 탐지하는 효과를 입증한다.
Survival Analysis as Imprecise Classification with Trainable Kernels
A Robust PPO-optimized Tabular Transformer Framework for Intrusion Detection in Industrial IoT Systems
Adaptive Pruning of Deep Neural Networks for Resource-Aware Embedded Intrusion Detection on the Edge
토론
이 논문과 연결된 포럼 글이 아직 없습니다.