사이버보안을 위한 그래프 신경망과 노드임베딩 기반의 이상탐지 시스템 (Anomaly Detection System Based on Graph Neural Network and Node Embedding for Cybersecurity)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 34권 / 5호 / 401 ~ 406페이지
· 저자명 : 김나영, 한명묵

초록

최근에 사이버보안 분야에서 그래프 구조인 데이터에 대한 기계학습(Machine Learning)이더욱 깊은 관심을 받고 있다. 보안 데이터양의 증가와 더욱 정교한 사이버 공격으로 인해 이러한 기계학습 방법들의 중요성이 확대되고 있다. 지식그래프(Knowledge Graph)와 이의 학습 기술인 그래프 신경망(GNN)은 여러 도메인에서 인간이 이해할 수 있는 용어를 사용하여사용자에게 설명력을 높일 수 있는 능력을 갖추고 있다. 본 연구에서는 사이버보안 분야에그래프 신경망과 노드임베딩 기반 이상탐지 시스템의 프레임워크를 제안한다. 실험을 통해제안하는 프레임워크에서 사이버보안 데이터세트 UNSW-NB15를 사용하여 정상 데이터와공격 데이터를 분류 실험을 진행하였다. 이를 통해, node2vec의 노드 임베딩한 값을 GraphSAGE의input으로 추가하여 학습시켰을 때, 해당 데이터세트에서는 기존의 이상 탐지 모델보다 정확도(accuracy)가 더 향상된 것을 확인할 수 있었다.

영어초록

In the recent years, machine learning on graph-structured data has garneredincreased attention in the field of cybersecurity. The growing volume of securitydata and sophisticated cyber attacks have amplified the significance of thesemachine learning methods. Knowledge Graphs and their learning technique, GraphNeural Networks (GNNs), possess the ability to enhance interpretability by utilizingterms understandable to humans across various domains. In this study, we proposea framework for an anomaly detection system based on graph neural networks andnode embeddings in the field of cybersecurity. Through experiments using theUNSW-NB15 cybersecurity dataset, we conducted classification experiments onnormal and attack data within the proposed framework. The results show improvedaccuracy when training with node embeddings from node2vec added as input toGraphSAGE in this dataset.

참고자료

· 없음