NETWORK INTRUSION DETECTION MODEL BASED ON CONVOLUTIONAL NEURAL NETWORKS AND TABULAR DATA CONVERTED INTO IMAGES

Svitlana Gavrylenko; Vadim Poltoratskyi

doi:10.26906/SUNZ.2024.4.052

Автор(и)

Svitlana Gavrylenko
Vadim Poltoratskyi

DOI:

https://doi.org/10.26906/SUNZ.2024.4.052

Ключові слова:

системи виявлення вторгнень, комп'ютерні мережі, машинне навчання, глибокі нейронні мережі, перетворення табличних даних

Анотація

Об’єктом дослідження є процес ідентифікації стану комп’ютерної системи та мережі. Предметом дослідження є методи ідентифікації стану комп'ютерних систем і мереж. Метою даної роботи є підвищення якості виявлення вторгнень в комп'ютерні мережі. В якості вхідних даних використовувався набір UNSW-NB 15, який містить інформацію про нормальне функціонування мережі та під час синтетичних вторгнень. Розглянуто глибокі нейронні мережі (DL), їх переваги та проблеми в обробці великих даних. Виявлено, що глибокі нейронні мережі при обробці табличних даних потребують їх трансформації. Досліджено сучасні методи трансформації табличних даних. Отримано такі результати. Запропоновано метод перетворення табличних даних в зображення. Метод перетворює кожен об’єкт окремого класу з набору табличних даних на зображення шляхом відображення значень атрибутів на двовимірну площину. Метод реалізовано програмно за допомогою хмарного сервісу GOOGLE COLAB на базі Jupyter Notebook. Висновки. Встановлено, що використання запропонованого методу перетворення табличних даних в зображення дозволило використати модель класифікації на основі нейронної мережі CNN та підвищити якість виявлення вторгнень у комп’ютерні мережі до 4%.

Завантаження

Дані завантаження ще не доступні.

Посилання

Chen, Ying. "Big data technology for computer intrusion detection" Open Computer Science, vol. 13, no. 1, 2023, 20220267. https://doi.org/10.1515/comp-2022-0267

Gavrylenko , S., Poltoratskyi , V., & Nechyporenko , A. “Intrusion detection model based on improved transformer”. Advanced Information Systems, 2024, 8(1), 94–99. https://doi.org/10.20998/2522-9052.2024.1.12

Dusan Nedeljkovic, Zivana Jakovljevic. “CNN based method for the development of cyber-attacks detection algorithms in industrial control systems” ,Computers & Security, 2022, vol.114, 102585, https://doi.org/10.1016/j.cose.2021.102585

A. El-Rady, H. Osama, R. Sadik and H. El Badwy, "Network Intrusion Detection CNN Model for Realistic Network Attacks Based on Network Traffic Classification," 2023 40th National Radio Science Conference (NRSC), Giza, Egypt, 2023, pp. 167-178, https://doi.org/10.1109/NRSC58893.2023.10152872

S. Golubev and E. Novikova, "Transformation of Network Flow Data into Images for Intrusion Detection Using Convolutional Neural Networks," 2023 International Russian Automation Conference (RusAutoCon), Sochi, Russian Federation, 2023, pp. 948-952, https://doi.org/10.1109/RusAutoCon58002.2023.10272890

Borisov V, Leemann T, Seßler K, Haug J, Pawelczyk M, Kasneci G. “Deep neural networks and tabular data: A survey.” IEEE Transactions on Neural Networks and Learning Systems. 2022 https://doi.org/ 10.1109/TNNLS.2022.3229161

Medeiros Neto L, Rogerio da Silva Neto S, Endo PT, “A comparative analysis of converters of tabular data into image for Kim the classification of Arboviruses using Convolutional Neural Networks.” PLoS ONE 2023? 18(12): e0295598.https://doi.org/10.1371/journal.pone.0295598

Taehoon & Pak, Wooguil. (2023). “Deep Learning-Based Network Intrusion Detection Using Multiple Image Transformers.”Applied Sciences. 13. 2754. https://doi.org/10.3390/app13052754

Sharma, A., Vans, E., Shigemizu, D. et al. “DeepInsight: A methodology to transform a non-image data to an image for convolution neural network architecture”. Sci Rep 9, 11399 (2019). https://doi.org/10.1038/s41598-019-47765-6

Bazgir O, Zhang R, Dhruba SR, Rahman R, Ghosh S, Pal R. “Representation of features as images with neighborhood dependencies for compatibility with convolutional neural networks.” Nature communications. 2020;11(1):4391. https://doi.org/10.1038/s41467-020-18197-y

Zhu Y, Brettin T, Xia F, Partin A, Shukla M, Yoo H, Evrard YA, Doroshow JH, Stevens RL. “Converting tabular data into images for deep learning with convolutional neural networks.” Sci Rep. 2021 Jul 1;11(1):14036. https://doi.org/10.1038/s41598-021-93376-5

N. Moustafa and J. Slay, "UNSW-NB15: a comprehensive data set for network intrusion detection systems (UNSW-NB15 network data set)," 2015 Military Communications and Information Systems Conference (MilCIS), Canberra, ACT, Australia, 2015, pp. 1-6, https://doi.org/ 10.1109/MilCIS.2015.7348942

Abdi L, Sattar H. “To combat multi-class imbalanced problems by means of over-sampling techniques”. IEEE Trans Knowl Data Eng. 2016;28(1):238–251. https://doi.org/10.1109/TKDE.2015.2458858

S. Gavrylenko, V. Zozulia, and N. Khatsko. “Methods for Improving the Quality of Classification on Imbalanced Data”, Proceedings of the IEEE 4th KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine, 2023, pp. 1-5, https://doi.org/ 10.1109/KhPIWeek61412.2023.10312879