Расширенное обнаружение аномалий в сетевой безопасности: комплексный ансамблевый подход
https://doi.org/10.17586/2226-1494-2024-24-5-788-796
Аннотация
Обнаружение и устранение аномального поведения сетевых систем являются важнейшими мерами по обеспечению безопасности уязвимых инфраструктур в динамичном контексте кибербезопасности. Предложена архитектура модели машинного обучения ensemble, которая использует преимущества моделей XGBoost, Gradient Boosting, случайного леса и метода опорных векторов для выявления аномалий в наборе данных. Представленный подход использует совокупность перечисленных моделей с взвешенным голосованием и основан на точности, для улучшения обнаружения аномалий и обеспечения надежной и адаптивной сетевой безопасности в реальном времени. Модель коллективного обучения оценивается по стандартным показателям и демонстрирует исключительную эффективность, достигая высокой точности 99,68 % в наборе данных NSL KDD. Высокая производительность подхода расширяет возможности модели в выявлении аномалий в сетевом трафике, демонстрирует ее потенциал в качестве надежного инструмента для усиления мер кибербезопасности против развивающихся угроз.
Об авторах
Р. Пандей
Московский физико-технический институт (национальный исследовательский университет)
Россия
Россия
Пандей Рашмикиран - аспирант, Московский физико-технический институт (национальный исследовательский университет)
Московская область, Долгопрудный, 141701
М. Пандей
Московский физико-технический институт (национальный исследовательский университет)
Россия
Россия
Пандей Мринал - аспирант
Московская область, Долгопрудный, 141701
А. Н. Назаров
Федеральный исследовательский центр «Информатика и управление» Российской академии наук»
Россия
Россия
Назаров Алексей Николаевич - доктор технических наук, профессор
Москва, 119333
Список литературы
1. Reichenbach M. New challenges in electronic payments. Intelligent Enterprises of the 21st Century. Ed. by J.N.D. Gupta, S. Sharma. IGI Global, 2004, pp. 153–162. https://doi.org/10.4018/9781591401605.ch010
2. Kebande V.R., Karie N.M., Ikuesan R.A. Real-time monitoring as a supplementary security component of vigilantism in modern network environments. International Journal of Information Technology, 2021, vol. 13, no. 1, pp. 5–17. https://doi.org/10.1007/s41870-020-00585-8
3. Hareesh R., Senthil Kumar R.K., Kalluri R., Bindhumadhava B.S. Critical infrastructure asset discovery and monitoring for cyber security. Lecture Notes in Electrical Engineering, 2022, vol. 847, pp. 289–300. https://doi.org/10.1007/978-981-16-9008-2_27
4. Savage D., Zhang X., Yu X., Chou P., Wang Q. Anomaly detection in online social networks. Social Networks, 2014, vol. 39, pp. 62–70. https://doi.org/10.1016/j.socnet.2014.05.002
5. Benaddi H., Ibrahimi K., Benslimane A. Improving the intrusion detection system for NSL-KDD dataset based on PCA-fuzzy clustering-KNN. Proc. of the 6th International Conference on Wireless Networks and Mobile Communications (WINCOM), 2018, pp. 1–6. https://doi.org/10.1109/wincom.2018.8629718
6. Su T., Sun H., Zhu J., Wang S., Li Y. BAT: Deep learning methods on network intrusion detection using NSL-KDD dataset. IEEE Access, 2020, vol. 8, pp. 29575–29585. https://doi.org/10.1109/access.2020.2972627
7. Wang C., Zhou H., Hao Z., Hu S., Li J., Zhang X., Jiang B., Chen X. Network traffic analysis over clustering-based collective anomaly detection. Computer Networks, 2022, vol. 205, pp. 108760. https://doi.org/10.1016/j.comnet.2022.108760
8. Keim Y., Mohapatra A.K. Cyber threat intelligence framework using advanced malware forensics. International Journal of Information Technology, 2022, vol. 14, no. 1, pp. 521–530. https://doi.org/10.1007/s41870-019-00280-3
9. Xu B., Jang-Jaccard J., Singh A., Wei Y., Sabrina F. Improving performance of autoencoder-based network anomaly detection on nsl-kdd dataset. IEEE Access, 2021, vol. 9, pp. 140136–140146. https://doi.org/10.1109/access.2021.3116612
10. Shone N., Ngoc T.N., Phai V.D., Shi Q. A deep learning approach to network intrusion detection. IEEE Transactions on Emerging Topics in Computational Intelligence, 2018, vol. 2, no. 1, pp. 41–50. https:// doi.org/10.1109/tetci.2017.2772792
11. Sharma B., Sharma L., Lal C. Anomaly based network intrusion detection for IoT attacks using convolution neural network. Proc. of the IEEE 7th International Conference for Convergence in Technology (I2CT), 2022, pp. 1–6. https://doi.org/10.1109/i2ct54291.2022.9824229
12. Krzemień W., Jędrasiak K., Nawrat A. Anomaly detection in software defined networks using ensemble learning. Lecture Notes in Networks and Systems, 2022, vol. 439, pp. 629–643. https://doi.org/10.1007/978-3-030-98015-3_44
13. Staudemeyer R.C. Applying long short-term memory recurrent neural networks to intrusion detection. South African Computer Journal, 2015, vol. 56, pp. 136–154. https://doi.org/10.18489/sacj.v56i1.248
14. Kim J., Kim J., Thu H.L.T., Kim H. Long short term memory recurrent neural network classifier for intrusion detection. Proc. of the International Conference on Platform Technology and Service (PlatCon), 2016, pp. 1–5.https://doi.org/10.1109/platcon.2016.7456805
15. Liu Z., Thapa N., Shaver A., Roy K., Yuan X., Khorsandroo S. Anomaly detection on IoT network intrusion using machine learning. Proc. of the International Conference on Artificial Intelligence, Big Data, Computing and Data Communication Systems (ICABCD), 2020, pp. 1–5. https://doi.org/10.1109/icabcd49160.2020.9183842
16. Khan W., Haroon M. An unsupervised deep learning ensemble model for anomaly detection in static attributed social networks. International Journal of Cognitive Computing in Engineering, 2022, vol. 3, pp. 153–160. https://doi.org/10.1016/j.ijcce.2022.08.002
17. Gupta K., Sharma D.K., Gupta K.D., Kumar A. A tree classifier based network intrusion detection model for Internet of Medical Things. Computers and Electrical Engineering, 2022, vol. 102, pp. 108158. https://doi.org/10.1016/j.compeleceng.2022.108158
18. Ma Q., Sun C., Cui B. A novel model for anomaly detection in network traffic based on support vector machine and clustering. Security and Communication Networks, 2021, pp. 170788. https://doi.org/10.1155/2021/2170788
19. Iliyasu A.S., Deng H. N-GAN: a novel anomaly-based network intrusion detection with generative adversarial networks. International Journal of Information Technology, 2022, vol. 14, no. 7, pp. 3365–3375. https://doi.org/10.1007/s41870-022-00910-3
20. Tavallaee M., Bagheri E., Lu W., Ghorbani A.A. A detailed analysis of the KDD CUP 99 data set. Proc. of the IEEE Symposium on Computational Intelligence for Security and Defense Applications, 2009, pp. 1–6. https://doi.org/10.1109/cisda.2009.5356528
21. Panesar A. Evaluating machine learning models. Machine Learning and AI for Healthcare. Apress, Berkeley, CA, 2021, pp. 189–205. https://doi.org/10.1007/978-1-4842-6537-6_7
22. Assy A.T., Mostafa Y., Abd El-khaleq A., Mashaly M. Anomaly-based intrusion detection system using one-dimensional convolutional neural network. Procedia Computer Science, 2023, vol. 220, pp. 78–85. https://doi.org/10.1016/j.procs.2023.03.013
23. Acharya T., Annamalai A., Chouikha M.F. Efficacy of bidirectional LSTM model for network-based anomaly detection. Proc. of the IEEE 13th Symposium on Computer Applications & Industrial Electronics (ISCAIE), 2023, pp. 336–341. https://doi.org/10.1109/iscaie57739.2023.10165336
24. Kavitha S., Uma Maheswari N., Venkatesh R. Network anomaly detection for NSL-KDD dataset using deep learning. Information Technology in Industry, 2021, vol. 9, no. 2, pp. 821–827. https://doi.org/10.17762/itii.v9i2.419
25. Gadal S., Mokhtar R., Abdelhaq M., Alsaqour R., Ali E.S., Saeed R. Machine learning-based anomaly detection using K-mean array and sequential minimal optimization. Electronics, 2022, vol. 11, no. 14, pp. 2158. https://doi.org/10.3390/electronics11142158
Рецензия
Для цитирования:
Пандей Р., Пандей М., Назаров А.Н. Расширенное обнаружение аномалий в сетевой безопасности: комплексный ансамблевый подход. Научно-технический вестник информационных технологий, механики и оптики. 2024;24(5):788-796. https://doi.org/10.17586/2226-1494-2024-24-5-788-796
For citation:
Pandey R., Pandey M., Nazarov A.N. Enhanced anomaly detection in network security: a comprehensive ensemble approach. Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2024;24(5):788-796. https://doi.org/10.17586/2226-1494-2024-24-5-788-796
Просмотров:
14
Послать статью по эл. почте 