Multi-phase optimized intrusion detection system based on deep learning algorithms for computer networks

• Ano de defesa: 2022
• Autor(a) principal: Okey, Ogobuchi Daniel
• Orientador(a): Zegarra Rodríguez, Demóstenes
• Banca de defesa: Zegarra Rodríguez, Demóstenes, Saadi, Muhammad, Begazo, Dante Coaquira, Rosa, Renata Lopes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Sistemas e Automação
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Aprendizado de máquina; Aprendizado profundo; Sistemas de detecção de intrusão; Redes de computadores; Transferência de aprendizado; Redes convolucionais; Machine learning; Deep learning; Intrusion detection systems; Computer Networks; Transfer learning; Convolutional neural networks
• Área do conhecimento CNPq: Ciência da Computação
• Link de acesso: https://repositorio.ufla.br/handle/1/55164

As redes de computadores revolucionaram todo o espaço de trabalho nos últimos tempos, de modo que seus potenciais e contribuições não podem ser subestimados. Sequência das imensas vantagens das redes de computadores, muitas organizações e empresas dependem delas para atividades cotidianas que vão desde a busca de recursos até a disseminação de informações. A grande dependência de serviços de Internet tem enfrentado o desafio de privacidade e segurança. Isso se deve ao fato de que indivíduos com intenção maliciosa elaboram algumas estratégias para explorar as redes e roubar informações causando danos. Para isso, diversas técnicas e tecnologias, como firewalls, estão sendo utilizadas para impedir a ocorrência de ataques cibernéticos. Umdesafio com essa abordagem é a questão dos falsos positivos, onde informações reais são identificadas como ameaças. Umamaneira de resolver isso é o uso de um Sistema de Detecção de Intrusão (IDS - Intrusion Detection System) que monitora e inspeciona as atividades da rede para detectar ameaças. IDS desenvolvidos usando algoritmos de Aprendizado de Máquina (ML -Machine Learning) e Aprendizado Profundo (DL - Deep Learning) têm mostrado prevalência sobre IDS baseados em conhecimento. Neste trabalho, aproveitamos as capacidades do ML e DL para desenvolver IDS para redes de computadores. Especificamente, dois modelos de IDS são desenvolvidos com base em dados tabulares e dados de imagem. Primeiro, pré-processamos os dados em um formato compatível e lidamos com o desequilíbrio com a SyntheticMinority Oversampling Techinque (SMOTE). Nos dados tabulares, usamos a Rede Neural Convolucional Unidimensional (1D CNN - One-Dimensional Convolutional Neural Network) e alguns classificadores de ML, enquanto o Transferência de Aprendizado (TL - Transfer Learning) é usado nos dados da imagem. Os dados de imagem são gerados pela transformação do conjunto de dados amostrado em uma imagem RGB 64x64x3. Essas imagens são alimentadas na CNN que tem um excelente desempenho na extração de características das imagens utilizadas no processo de aprendizagem. Essa capacidade da CNN de extrair automaticamente recursos relevantes do tráfego de rede é usada para classificar o tráfego em diferentes categorias. Cinco diferentes modelos pré-treinados baseados em CNN: Visual Geometry Group (VGG16 e VGG19), InceptionV3 (IV3),MobileNetV3Small (MNV3S) e EfficientNetV2B0 (ENV2B0) são usados para desenvolver o IDS baseado em imagens geradas a partir do conjunto de dados. Finalmente, desenvolvemos um IDS usando um modelo otimizado Ensemble baseado em Transferência de Aprendizado (ELETL-IDS - Ensemble Lightweight Transfer Learning IDS) capaz de detectar e classificar o tráfego de rede segundo o tipo de ataque, tais como DDoS, DoS, Bot, Força Bruta, Infiltração, PortScan, Heartbleed eWeb Attacks. Na avaliação, os modelos apresentam alto desempenho com 1D-CNN atingindo uma precisão média ponderada de 99,11% e ELETL-IDS tem 100% de precisão na classificação de cada classe. Realizamos a quantização do modelo original para reduzir cerca de 77% de seu tamanho (aproximadamente, 4 vezes menor que o tamanho do modelo original) com uma queda de 1,1% na precisão, tornando os modelos IDS altamente eficientes e adequados em diferentes domínios de aplicação.