균형잡힌 의사소통

Scientific Reports 13권, 기사 번호: 9083(2023) 이 기사 인용

56 액세스

1 알트메트릭

측정항목 세부정보

사물 인터넷 분야는 네트워크 아키텍처에 많은 과제를 안겨주었습니다. 사이버 공간 보안을 보장하는 것은 침입 탐지 시스템(IDS)의 주요 목표입니다. 공격 횟수와 유형이 증가함에 따라 연구자들은 사이버 공간에 연결된 데이터와 장치를 효율적으로 보호하여 침입 탐지 시스템을 개선하려고 노력해 왔습니다. IDS 성능은 본질적으로 데이터 양, 데이터 차원성 및 보안 기능과 연관되어 있습니다. 본 논문에서는 다른 관련 연구에 비해 더 짧은 처리 시간에 정확한 탐지를 제공하여 계산 복잡도를 개선하는 새로운 IDS 모델을 제안합니다. 지니 지수 방법은 보안 기능의 불순도를 계산하고 선택 프로세스를 개선하는 데 사용됩니다. 침입 탐지 정확도를 높이기 위해 균형 잡힌 통신 방지 지원 벡터 머신 의사 결정 트리 방법이 수행됩니다. 평가는 실제 데이터 세트이며 공개적으로 사용 가능한 UNSW-NB 15 데이터 세트를 사용하여 수행됩니다. 제안된 모델은 약 98.5%의 정확도로 높은 공격 탐지 성능을 달성한다.

사물인터넷(IoT)은 우리 일상생활에서 널리 활용되고 있습니다. 모니터링 및 관리를 지원하려면 전자 장치를 인터넷에 연결해야 했습니다. 인공 지능(AI) 알고리즘은 분산 지능 시스템에 큰 기회를 추가했습니다. AI 방법은 지능적인 의사 결정권자를 형성하고 상당한 시간이 소요되는 의사 결정의 중앙 집중화를 줄입니다. 그럼에도 불구하고 분산 지능형 시스템의 복잡성은 지속적으로 증가하고 있습니다1. 이러한 복잡성은 엄청난 양의 데이터, 데이터의 성격, 데이터 세트의 크기 및 스마트 알고리즘 측면에서 드러납니다2. 이러한 과제는 사이버 공격에 이상적인 환경을 구성합니다.

침입 탐지 시스템(IDS)은 항상 시스템 복잡성의 증가를 따라가려고 노력해 왔습니다. IDS 시스템은 물리적 장치와 사용자 데이터를 모두 보호하는 것을 목표로 합니다. 따라서 사이버 보안은 클라우드 서비스 성공의 열쇠입니다. 방화벽, 사용자 인증, 암호화를 사용하는 기존 방식으로는 사이버 공간에서 장치를 보호하기에는 충분하지 않습니다. 이러한 부족 현상은 빠르게 증가하고 있는 새로운 침입 탐지로 인해 발생합니다3,4. IDS는 피싱, 서비스 거부, 맬웨어 등과 같은 최근 공격을 탐지하려고 시도했습니다. 새로운 IDS는 네트워크의 행동에 따라 새로운 공격을 인식하려고 합니다. IDS는 AI 알고리즘을 기반으로 네트워크 동작의 정상 여부를 분류합니다.

기계 학습(ML) 접근 방식은 침입 탐지 시스템에 필수적인 요소가 되었습니다. 이러한 접근 방식을 통해 네트워크 동작을 정확하게 분류하여 사이버 공격을 예방할 수 있습니다. IDS는 SVM(지원 벡터 머신), k-NN(k-Nearest Neighbors), LR(로지스틱 회귀), DT(결정 트리), NB(Naïve Bayes)와 같은 많은 ML 방법을 사용하여 침입을 탐지합니다5,6 ,7. 공격 탐지 정확도를 높이기 위해 다른 방법이 사용됩니다. 이러한 모든 방법은 여전히 ​​데이터의 다양한 차원이나 기능과 막대한 데이터 흐름 트래픽으로 인해 어려움을 겪고 있습니다. 이러한 문제로 인해 처리가 복잡해지고 상당한 시간이 필요합니다. 따라서 신뢰할 수 있는 IDS를 제공하는 것이 사이버보안 분야의 주요 목표이다.

결과적으로 침입 탐지 시스템은 다음과 같은 과제에 직면해 있습니다. (1) 데이터의 다양한 성격, 차원 및 특징; (2) 높은 데이터 트래픽 흐름; (3) 계산 복잡성; (4) 상당한 시간이 소요됩니다. 이러한 서론을 토대로 본 논문에서는 BCA-SVMDT(Balanced Communication-Avoiding Support Vector Machine Decision Tree) 방식을 기반으로 보다 정확한 침입 탐지 시스템을 제공하고자 한다. 제안하는 목표는 다른 관련 작업보다 짧은 처리 시간에 정확한 탐지를 제공하여 복잡성을 지원하는 것입니다. 목표는 다음과 같습니다: