earticle

영어

Recently, deep neural networks (DNNs) provide the good performance for image recognition, pattern analysis and intrusion detection. In this paper, we analyzed experimentally the success rate of detection by manipulating various parameters for intrusion detection method of deep neural network. We used the KDD CUP 99 data set, which is a widely used intrusion data, and modified each parameter using the TensorFlow machine learning library to measure the detection accuracy. We also analyzed linear regression (LR), naive bayes classification (NB), k-nearest neighbors (KNN), decision trees (DT) and random forests. (random forest, RF). We analyzed the parameters by modifying the number of nodes in each layer, the number of dropouts, and the activation function. Experimental results show that DNNS has the highest detection with 93.8% accuracy with 5 hidden layers.

한국어

최근 들어, 딥뉴럴네트워크는 이미지 인식, 패턴 분석, 침입탐지 등 다양한 분야에 활용되고 있다. 본 논문에서는 딥 뉴럴네트워크 기반의 침입탐지방법에 대하여 여러 가지 파라미터를 조절하여 탐지 성공률을 실험적으로 분석하였 다. 대표적인 침입 데이터인 KDD CUP 99 데이터셋을 사용하였으며, 텐서플로우 머신러닝 라이브러리를 이용하 였고 각 파라미터를 수정하여 탐지율을 측정하였다. 추가적으로 선형회귀(linear regression, LR), 나이브 베이즈 분류 (naive bayes classification, NB), 최근접 이웃(k-nearest neighbors, KNN), 의사결정트리(decision tree, DT), 랜덤 포레스트(random forest, RF) 등의 방법들에 대해서도 실험적으로 비교 분석하였다. 각 파라미 터로는 각 층의 노드 수, Dropout의 수, 활성화 함수 등을 고려하여 분석하였으며, 은닉층이 5개인 딥뉴럴네트워크 일 때, 93.8% 탐지 정확도로 가장 높은 것을 확인할 수 있었다.