Automated and Improved Detection of Cyber Attacks via an Industrial IDS Probe.
Détection automatisée et améliorée des cyberattaques via une sonde IDS industrielle.
Résumé
Network flow classification allows to distinguish normal flows from deviant behaviors. However, given the diversity of the approaches proposed for intrusion detection via IDS probes, an adequate fundamental solution is required. Indeed, most of existing solutions address a specific context which does not allow to assess the efficiency of the proposed models on a different context. Therefore, we propose in this paper an approach for malicious flow detection based on One Dimensional Convolutional Neural Networks (1D-CNN). Our solution extracts features based on the definition of network flows. Thus, it can be common to any network flow classification model. This feature engineering phase is coupled to CNN's feature detector in order to provide an efficient classification approach. To evaluate its performance, our solution has been evaluated on two different datasets (a recent dataset extracted from a real IBM industrial context and the NSL-KDD dataset that is widely used in the literature). Moreover, a comparison with existing solutions has been provided to NSL-KDD dataset. Attacks in both datasets have been defined using the globally-accessible knowledge base of adversary tactics and techniques MITRE framework. The evaluation results have shown that our proposed solution allows an efficient and accurate classification in both datasets (with an accuracy rate of 94% at least). Moreover, it outperforms existing solutions in terms of classification metrics and execution time as well.
La classification des flux réseau permet de distinguer les flux normaux des comportements déviants. Cependant, étant donnée la diversité des approches proposées pour la détection d'intrusions via les sondes IDS, une solution fondamentale adéquate est requise. En effet, la plupart des solutions existantes traitent un contexte spécifique qui ne permet pas d'évaluer l'efficacité des modèles proposés dans un contexte différent. Par conséquent, nous proposons dans cet article une approche de détection de flux malveillants basée sur les Réseaux de Neurones Convolutionnels à une Dimension (1D-CNN). Notre solution extrait des caractéristiques basées sur la définition des flux réseau. Ainsi, elle peut être commune à tout modèle de classification des flux réseau. Cette phase d'ingénierie des caractéristiques est couplée au détecteur de caractéristiques du CNN afin de fournir une approche de classification efficace. Pour évaluer ses performances, notre solution a été testée sur deux ensembles de données différents (un ensemble de données récent extrait d'un contexte industriel réel IBM et l'ensemble de données NSL-KDD largement utilisé dans la littérature). De plus, une comparaison avec les solutions existantes a été réalisée sur l'ensemble de données NSL-KDD. Les attaques dans les deux ensembles de données ont été définies à l'aide de la base de connaissances globalement accessible du cadre MITRE pour les tactiques et techniques des adversaires. Les résultats de l'évaluation ont montré que notre solution proposée permet une classification efficace et précise dans les deux ensembles de données (avec un taux de précision d'au moins 94 %). De plus, elle surpasse les solutions existantes en termes de métriques de classification et de temps d'exécution.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
Copyright (Tous droits réservés)
|