Neuromorphic Cybersecurity with Semi-supervised Lifelong Learning
Created by
Haebom
저자
Md Zesun Ahmed Mia, Malyaban Bal, Sen Lu, George M. Nishibuchi, Suhas Chelian, Srini Vasan, Abhronil Sengupta
개요
본 논문은 뇌의 계층적 처리 및 에너지 효율성에서 영감을 받아 평생 학습이 가능한 네트워크 침입 탐지 시스템(NIDS)을 위한 스파이킹 신경망(SNN) 아키텍처를 제시합니다. 제안된 시스템은 잠재적인 침입을 식별하는 효율적인 정적 SNN과 특정 공격 유형을 분류하는 적응적 동적 SNN을 사용합니다. 생물학적 적응을 모방하여 동적 분류기는 Grow When Required(GWR)에서 영감을 받은 구조적 가소성과 새로운 적응형 스파이크-타이밍-의존적 가소성(Ad-STDP) 학습 규칙을 활용합니다. 이러한 생물학적으로 타당한 메커니즘을 통해 네트워크는 기존 지식을 유지하면서 새로운 위협을 점진적으로 학습할 수 있습니다. UNSW-NB15 벤치마크에서 지속적인 학습 환경에서 테스트한 결과, 이 아키텍처는 강력한 적응성, 감소된 치명적인 망각, 그리고 85.3%의 전반적인 정확도를 달성했습니다. 또한, Intel Lava 프레임워크를 사용한 시뮬레이션은 높은 동작 희소성을 확인하여 뉴로모픽 하드웨어에서의 저전력 배포 가능성을 강조합니다.
시사점, 한계점
•
시사점:
◦
뇌의 생물학적 메커니즘을 모방한 효율적인 SNN 기반 NIDS 아키텍처 제시.
◦
지속적인 학습 환경에서 강력한 적응성과 낮은 망각률을 보임.
◦
높은 정확도(85.3%) 달성.
◦
뉴로모픽 하드웨어를 이용한 저전력 구현 가능성 제시.
•
한계점:
◦
UNSW-NB15 데이터셋 하나만 사용하여 실험 진행. 다양한 데이터셋에 대한 추가 실험 필요.
