Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin

(Journal of Science and Technology on Information security) ISSN 2615-9570

Bài viết

Tóm tắt các nghiên cứu về ứng dụng mạng nơ-ron đối với bài toán phát hiện các cuộc tấn công hiếm gặp trong mạng không dây

DOI: 10.54654/isj.v3i20.984
Từ khóaTấn công hiếm gặpphát hiện xâm nhậpmạng nơ-ronmạng sinhmạng không dây

Tóm tắt

Tóm tắt — Mạng nơ-ron đã trở thành phương pháp phổ biến nhất trong bài toán phát hiện đối tượng. Hiện nay, mạng nơ-ron đã được ứng dụng mạnh mẽ trong các lĩnh vực xử lý hình ảnh, xử lý văn bản, tín hiệu và đạt hiệu quả nhất định, tuy nhiên mạng nơ-ron chưa được áp dụng rộng rãi trong bảo mật thông tin và phát hiện xâm nhập. Đặc biệt, chưa có nhiều các nghiên cứu về việc phát hiện các cuộc tấn công hiếm gặp. Các cuộc tấn công này được hiểu là các dạng tấn công có số lượng ít hoặc ít phổ biến trên thực tế so với các dạng tấn công khác. Điều này dẫn tới việc thiếu dữ liệu được gán nhãn cho việc huấn luyện mạng nơ-ron và sự mất cân bằng lớn của các lớp dữ liệu khác nhau. Trong bài báo này, nhóm tác giả đã đi tìm hiểu, so sánh và đánh giá về các phương pháp hiện tại trong việc giải quyết các vấn đề như làm giàu dữ liệu, sinh dữ liệu thông qua mạng sinh (generative networks) và các vấn đề liên quan khác. Ngoài ra, nhóm tác giả còn trình bày tổng quan về các bộ dữ liệu phổ biến hiện nay để phát hiện xâm nhập trong mạng không dây.

Lượt tải theo tháng

0101903/2404/2405/2406/2407/2408/2409/2410/2411/2412/2402/2503/2504/2505/2506/2507/2508/2509/2510/2511/2512/2501/2602/2603/2604/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Vũ Việt Thắng, Dmitry Valerievich Pantiukhin, Bùi Thị Thanh Quyên, Vũ Việt Vũ (2023). Tóm tắt các nghiên cứu về ứng dụng mạng nơ-ron đối với bài toán phát hiện các cuộc tấn công hiếm gặp trong mạng không dây. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 3(20), 23-34. https://doi.org/10.54654/isj.v3i20.984

Tài liệu tham khảo

  1. 1.Erlacher and F. Dressler, "FIXIDS: A high-speed signature-based flow intrusion detection system," NOMS 2018 - 2018 IEEE/IFIP Network Operations and Management Symposium, Taipei, 2018, pp. 1-8. doi: 10.1109/NOMS.2018.8406247.
  2. 2.S. T. Eckmann, G. Vigna, R. A. Kemmerer, “STATL: An attack language for state-based intrusion detection,” in Journal of Computer Security, vol. 10, № 1-2, pp. 71-103, 2002.
  3. 3.S. Roschke, F. Cheng and C. Meinel, "High-quality attack graph-based IDS correlation," in Logic Journal of the IGPL, vol. 21, no. 4, pp. 571-591, Aug. 2013. doi: 10.1093/jigpal/jzs034.
  4. 4.B. Peralta, A. Saavedra and L. Caro, "A proposal for mixture of experts with entropic regularization," 2017 XLIII Latin American Computer Conference (CLEI), Cordoba, 2017, pp. 1-9. doi: 10.1109/CLEI.2017.8226425.
  5. 5.S. Mukkamala, A. H. Sung, A. Abraham, “Intrusion detection using an ensemble of intelligent paradigms,”in Journal of Network and Computer Applications, vol. 28, .№ 2, pp. 167-182, 2005.
  6. 6.I. Ahmad, M. Basheri, M. J. Iqbal and A. Rahim, "Performance Comparison of Support Vector Machine, Random Forest, and Extreme Learning Machine for Intrusion Detection," in IEEE Access, vol. 6, pp. 33789-33795, 2018. doi: 10.1109/ACCESS.2018.2841987.
  7. 7.W. Anani and J. Samarabandu, "Comparison of Recurrent Neural Network Algorithms for Intrusion Detection Based on Predicting Packet Sequences," 2018 IEEE Canadian Conference on Electrical & Computer Engineering (CCECE), Quebec, QC, Canada, 2018, pp. 1-4. doi: 10.1109/CCECE.2018.8447793.
  8. 8.Dung, N. T., Quân, N. V., & Hùng, N. V. (2023). Application of deep learning model in network reconnaissance attack detection. Journal of Science and Technology on Information Security, 2(16), 60-72.
  9. 9.Tavallaee M, Bagheri E, Lu W, Ghorbani AA (2009) A detailed analysis of the kdd cup 99 data set. In: Proceedings of the Second IEEE international conference on Computational intelligence for security and defense applications, IEEE Press, Piscataway, NJ, USA, CISDA'09, pp 53 – 58.
  10. 10.J. Song, H. Takakura, Y. Okabe, M. Eto, D. Inoue and K. Nakao. Statistical analysis of honeypot data and building of Kyoto 2006+ dataset for NIDS evaluation, Proceedings of the First Workshop on Building Analysis Datasets and Gathering Experience Returns for Security, pp. 29-36, 2011.
  11. 11.P. Gogoi, M. H. Bhuyan, D. K. Bhattacharyya and J. K. Kalita. Packet and flow based network intrusion dataset. International Conference on Contemporary Computing, pp. 322-334, 2012.
  12. 12.Hyunsung Lee, Seong Hoon Jeong and Huy Kang Kim, "OTIDS: A Novel Intrusion Detection System for In-vehicle Network by using Remote Frame", PST (Privacy, Security and Trust) 2017.
  13. 13.Damasevicius, R.; Venckauskas, A.; Grigaliunas, S.; Toldinas, J.; Morkevicius, N.; Aleliunas, T.; Smuikys, P. LITNET-2020: An Annotated Real-World Network Flow Dataset for Network Intrusion Detection. Electronics 2020, 9, 800. https://doi.org/10.3390/electronics9050800.
  14. 14.C. Kolias, G. Kambourakis, A. Stavrou and S. Gritzalis, "Intrusion Detection in 802.11 Networks: Empirical Evaluation of Threats and a Public Dataset," in IEEE Communications Surveys & Tutorials, vol. 18, no. 1, pp. 184-208, Firstquarter 2016, doi: 10.1109/COMST.2015.2402161.
  15. 15.Iman Almomani, Bassam Al-Kasasbeh, Mousa AL-Akhras, "WSN-DS: A Dataset for Intrusion Detection Systems in Wireless Sensor Networks", Journal of Sensors, vol. 2016, Article ID 4731953, 16 pages, 2016. https://doi.org/10.1155/2016/4731953.
  16. 16.Hyunjae Kang, Dong Hyun Ahn, Gyung Min Lee, Jeong Do Yoo, Kyung Ho Park, and Huy Kang Kim, "IoT Network Intrusion Dataset.", http://ocslab.hksecurity.net/Datasets/iot-network-intrusion-dataset, 2019.
  17. 17.Neto, E.C.P.; Dadkhah, S.; Ferreira, R.; Zohourian, A.; Lu, R.; Ghorbani, A.A. CICIoT2023: A Real-Time Dataset and Benchmark for Large-Scale Attacks in IoT Environment. Sensors 2023, 23, 5941. https://doi.org/10.3390/s23135941.
  18. 18.M. Ring. A Survey of Network-based Intrusion Detection Data Sets. arXiv preprint arXiv:1903.02460, 2019.
  19. 19.Pantiukhin D.V, Karelova E. Improving of intrusion classification rate by convolution neural network using training set // Information Technology – 2018. – V. 24. – N 6. – P. 406-413 [in Russian].
  20. 20.Yan, G. Han, and Y. Huang, ``New traffic classification method for imbalanced network data,'' J. Comput. Appl., vol. 38, no. 1, pp. 20-25, 2018.
  21. 21.K. Jiang, W. Wang, A. Wang and H. Wu, "Network Intrusion Detection Combined Hybrid Sampling With Deep Hierarchical Network," in IEEE Access, vol. 8, pp. 32464-32476, 2020, doi: 10.1109/ACCESS.2020.2973730.
  22. 22.Liu, L., Wang, P., Lin, J., & Liu, L. (2020). Intrusion detection of imbalanced network traffic based on machine learning and deep learning. IEEE Access, 9, 7550-7563.
  23. 23.Vu L., Bui C. T., Nguyen Q. U. A deep learning based method for handling imbalanced problem in network traffic classification //Proceedings of the Eighth International Symposium on Information and Communication Technology. – 2017. – С. 333-339.
  24. 24.Chen, Hongyu, and Li Jiang. "Efficient GAN-based method for cyber-intrusion detection." arXiv preprint arXiv:1904.02426 (2019).
  25. 25.Mari, A.-G.; Zinca, D.; Dobrota, V. Development of a Machine-Learning Intrusion Detection System and Testing of Its Performance Using a Generative Adversarial Network. Sensors 2023, 23, 1315.
  26. 26.Open Source IDS Tools: Comparing Suricata, Snort, Bro (Zeek), Linux, May 2021. [Online]. Available: https://cybersecurity.att.com/blogs/security-essentials/open-source-intrusion-detection-tools-a-quick-overview.
  27. 27.Snoort, October 2005. [Online]. Available: h http://www.thg.ru/network/20051020/index.html.
  28. 28.Base Project, October 2013. [Online]. Available: http://sourceforge.net/projects/secureideas/.
  29. 29.IDS/IPS Suricata, June, 2015. [Online]. Available: https://xakep.ru/2015/06/28/suricata-ids-ips-197/.
  30. 30.Suricata, Snort and Zeek: 3 Open Source Technologies for Securing Modern Networks, 2021. [Online]. Available: https://bricata.com/blog/snort-suricata-bro-ids/.
Tóm tắt các nghiên cứu về ứng dụng mạng nơ-ron đối với bài toán phát hiện các cuộc tấn công hiếm gặp trong mạng không dây | Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin