김강석 유승태 2022-08 32091 https://aurora.ajou.ac.kr/handle/2018.oak/20950 학위논문(석사)--아주대학교 일반대학원 :지식정보공학과,2022. 8 최근 사이버보안 패러다임의 변화에 따라, 인공지능 구현 기술인 기계학습과 딥러닝 기법을 적용한 이상탐지 방법의 연구가 증가하고 있다. 본 연구에서는 공개 데이터셋인 NGIDS-DS(Next Generation IDS Dataset)를 이용하여 GRU(Gated Recurrent Unit) 신경망 기반 침입 탐지 모델의 이상(anomaly) 탐지 성능을 향상시킬 수 있는 데이터 전처리 기술에 관한 비교 연구를 수행하였다. 또한 정상 데이터와 공격 데이터 비율에 따른 클래스 불균형 문제를 해결하기 위해 DCGAN(Deep Convolutional Generative Adversarial Networks)을 적용한 오버샘플링 기법 등을 사용하여 오버샘플링 비율에 따른 탐지 성능을 비교 및 분석하였다. 실험 결과, 시스템 콜(system call) 특성과 프로세스 실행패스 특성에 Doc2Vec 알고리즘을 사용하여 전처리한 방법이 좋은 성능을 보였고, 오버샘플링별 성능의 경우 DCGAN을 사용하였을 때, 향상된 탐지 성능을 보였다. 제 1 장 서 론 1 제 2 장 관련 연구 2 제 1 절 IDS 2 제 2 절 Doc2Vec 3 제 3 절 DCGAN 3 제 3 장 연구방법론 4 제 1 절 데이터셋 및 특성 선택 4 제 2 절 데이터 전처리 및 분류 모델 4 제 3 절 오버샘플링 6 제 4 장 실험 방법 7 제 1 절 실험환경 7 제 2 절 데이터 전처리 7 제 3 절 오버샘플링 8 제 4 절 분류 모델 8 제 5 절 성능 지표 11 제 5 장 실험 결과 및 분석 12 제 1 절 슬라이싱과 제로 패딩을 사용한 전처리 모델의 실험 결과 12 제 2 절 Doc2Vec을 사용한 전처리 모델의 실험 결과 13 제 3 절 프로세스 실행패스 특성을 추가한 후, Doc2Vec을 사용한 전처리 모델의 실험 결과 14 제 6 장 결 론 17 참고문헌 18 kor The Graduate School, Ajou University 아주대학교 논문은 저작권에 의해 보호받습니다. 다양한 데이터 전처리 기법과 데이터오버샘플링을 적용한 GRU 모델 기반 이상 탐지 성능 비교 Comparison of Anomaly Detection Performance Based on GRU Model Applying Various Data Preprocessing Techniques and Data Oversampling Thesis 아주대학교 일반대학원 Yoo Seung Tae 일반대학원 지식정보공학과 2022. 8 Master I804:41038-000000032091 https://dcoll.ajou.ac.kr/dcollection/common/orgView/000000032091 Anomaly Detection DCGAN GRU Oversampling Preprocessing According to the recent change in the cybersecurity paradigm, research on anomaly detection methods using machine learning and deep learning techniques, which are AI implementation technologies, is increasing. In this study, a comparative study on data preprocessing techniques that can improve the anomaly detection performance of a GRU (Gated Recurrent Unit) neural network-based intrusion detection model using NGIDS-DS (Next Generation IDS Dataset), an open dataset, was conducted. In addition, in order to solve the class imbalance problem according to the ratio of normal data and attack data, the detection performance according to the oversampling ratio was compared and analyzed using the oversampling technique applied with DCGAN (Deep Convolutional Generative Adversarial Networks). As a result of the experiment, the method preprocessed using the Doc2Vec algorithm for system call feature and process execution path feature showed good performance, and in the case of oversampling performance, when DCGAN was used, improved detection performance was shown.