Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

MULTI-LF: A Unified Continuous Learning Framework for Real-Time DDoS Detection in Multi-Environment Networks

Created by
  • Haebom

저자

Furqan Rustam, Islam Obaidat, Anca Delia Jurcut

개요

본 논문은 다양한 환경(M-En) 네트워크에서 분산 서비스 거부(DDoS) 공격을 탐지하는 온라인 지속 학습 방법론을 제안합니다. 기존 AI 기반 탐지 시스템의 한계인 새로운 공격 전략 적응 실패 및 실시간 고정확도·고효율 탐지 부족 문제를 해결하기 위해, NS-3 시뮬레이터를 이용하여 실시간 시뮬레이션 환경을 구축하고 다양한 패킷 크기의 DDoS 공격을 시뮬레이션하여 독자적인 M-En 네트워크 데이터셋을 개발했습니다. 제안하는 다층 프레임워크(MULTI-LF)는 경량 모델 M1과 고정확도 모델 M2 두 가지 머신러닝 모델을 사용합니다. M1의 예측 신뢰도가 낮을 경우 M2로 판단을 이관하고, M2의 결과를 이용하여 M1을 미세 조정합니다. 두 모델 모두 신뢰도가 낮으면 사람의 개입을 요청하여 모델 업데이트를 진행합니다. 실제 시뮬레이션을 통해 0.999의 분류 정확도와 0.866초의 낮은 예측 지연 시간을 달성했으며, 메모리 사용량(3.632MB) 및 CPU 사용률(10.05%) 또한 실시간 환경에서 효율적인 수준임을 보였습니다.

시사점, 한계점

시사점:
다양한 환경의 네트워크에서 실시간으로 DDoS 공격을 탐지하는 효율적이고 정확한 방법론 제시
지속적인 학습을 통해 새로운 공격 전략에 대한 적응력 향상 및 제로데이 공격 대응 가능성 증대
경량 모델과 고정확도 모델의 협업을 통한 성능 향상 및 자원 효율성 확보
실제 시뮬레이션을 통한 검증으로 높은 정확도와 낮은 지연 시간을 확인
한계점:
NS-3 기반 시뮬레이션 데이터 사용으로 실제 네트워크 환경과의 차이 존재 가능성
다양한 유형의 DDoS 공격에 대한 포괄적인 검증 필요
모델의 장기적인 안정성 및 유지보수에 대한 추가 연구 필요
인간 개입이 필요한 상황의 빈도 및 처리 시간에 대한 추가 분석 필요
👍