Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightGünümüzde ağların güvenliği için Saldırı Tespit Sistemleri (IDS) kritik öneme sahiptir; ancak birçok sistem hâlen özelliklerin fazlalığı, sabit eşikleme ve yorumlanabilirlik eksikliği gibi sorunlar göstermektedir.
📌 3 Maddede Bu Makale
Özet
Günümüzde ağların güvenliği için Saldırı Tespit Sistemleri (IDS) kritik öneme sahiptir; ancak birçok sistem hâlen özelliklerin fazlalığı, sabit eşikleme ve yorumlanabilirlik eksikliği gibi sorunlar göstermektedir. Bu çalışmada, Uzun Kısa Vadeli Bellek Otokodlayıcı (LSTM-AE), uyarlanabilir eşikleme ve özellik katkı analizi (feature attribution) içeren hibrit bir anomali tespit yaklaşımı sunulmaktadır. LSTM-AE, ağ trafiğindeki uzun vadeli zamansal bağımlılıkları modellemeye olanak tanırken, doğru anomali tespiti için gerekli olan trafik gürültüsü ve fazlalıkların paradoksal olarak filtrelenmesini sağlar. Uyarlanabilir eşikleme, trafik desenlerindeki değişimlere yeniden kalibre olabilmekte ve böylece yanlış alarmları daha doğru bir şekilde azaltmaktadır. Son olarak, Shapley değeri tabanlı katkı analizi sayesinde modelin tahminleri, trafik içerisindeki en ilgili unsurlar kullanılarak açıklanabilir hale gelmektedir. Sunulan ampirik inceleme, önerilen DeepShield mimarisinin etkinliğini ortaya koymaktadır: CIC-IDS2017 veri kümesinde %98,9 doğruluk, %98,7 kesinlik, %98,5 duyarlılık ve %98,6 F1-skora ulaşılmış ve LSTM, CNN ve Rastgele Orman tabanlı modellerden daha iyi sonuçlar elde edilmiştir. UNSW-NB15 veri kümesinde ise %95,6 doğruluk, %95,3 kesinlik, %95,0 duyarlılık ve %95,1 F1-skor elde edilerek diğer yöntemlerden üstün performans sağlanmıştır. Shapley tabanlı katkı analizi ile elde edilen bu ek yetenekler dikkate alındığında, DeepShield’in yalnızca son teknoloji düzeyinde tespit başarımı sağlamakla kalmayıp, aynı zamanda modeli daha açıklanabilir bir alana taşıdığı; bu yönüyle de güvenliğe yüksek derecede bağımlı olan kurumsal ve endüstriyel ortamlarda uygulanabilir olduğu sonucuna varılmaktadır.
Abstract
Intrusion Detection Systems (IDS) are essential for securing networks today; nevertheless, many systems still exhibit issues such as redundancy of features, fixed thresholding, and a lack of interpretability. In this paper, we present a hybrid anomaly detection approach including Long Short-Term Memory Autoencoder (LSTM-AE), adaptive thresholding, and feature attribution. The LSTM-AE allows modelling of long-term temporal dependencies in network traffic while applying filtering to paradoxically include unnecessary traffic noise and redundancy for proper anomaly detection. The adaptive thresholding is capable of recalibrating to changes in traffic patterns that ultimately mitigate false alarms more accurately. Lastly, by incorporating the Shapley value-based attribution, the model's predictions can be explained by using the aspect of traffic that is most pertinent. he empirical exploration we present on the benchmark datasets demonstrates the effectiveness of the DeepShield model architecture: on CIC-IDS2017, the accuracy was 98.9%, with precision of 98.7%, recall of 98.5%, and F1-score of 98.6%, outperforming LSTM, CNN, and Random Forest baselines; on UNSW-NB15, the score was 95.6 accuracy, with precision of 95.3, recall of 95.0, and F1-score of 95.1, outperforming other competing measures. Based on these additional capabilities shown through the Shapley-based attribution, we can conclude that DeepShield achieves state-of-the-art detection effectiveness while translating the model into a space that is more interpretable, which makes it deployable in enterprise and industrial security that is highly reliant on the defendable integrity of networks.