深層信念ネットワークを用いた不審行動検出システム

連携デバイスの急増に伴い、ゼロデイ攻撃と呼ばれる新たなサイバー脅威が広がっている。従来の行動ベースのIDS（侵入検出システム）は、これらの攻撃を検出するために深層ニューラルネットワーク（DNN）に依存している。DNNの学習に用いるデータセットの質は、検出性能において極めて重要な役割を果たしており、代表されていないサンプルが存在すると性能が著しく低下する。本研究では、接続されたデバイスネットワークにおけるサイバー攻撃の検出に向け、深層信念ネットワーク（DBN）の構築と性能評価を行った。提案手法の訓練および評価には、CICIDS2017データセットを用いた。さらに、複数のクラスバランス化手法を適用・評価した。最後に、従来のMLPモデルおよび既存の最先端手法と比較した結果、提案するDBNアプローチは、訓練データセット内で代表されていない攻撃の検出において顕著な性能向上を示し、競争力があり有望な成果を達成した。