時間周期的パケットサンプリングによる教師無しアンサンブル異常検出手法

摘要

本研究では，正常時のトラヒックパターンを表す基準モデルを，正常／異常パケットの分類がなされてないトラヒックデータ（教師無しデータ）を用いて学習することを特徴とした異常トラヒック検出手法を提案する．学習された基準モデルは，監視対象ネットワークにおいて計測されたトラヒックデータとの比較のために用いられる．これを実現するために，提案手法ではパケットサンプリングを本来とは異なる目的で用いる．すなわち，パケットサンプリングの欠点である情報損失特性を利用して，教師無しデータに含まれる正常パケットを効率良く抽出する．また，サンプルされたトラヒックデータの確率的変動が検出性能へ与える影響を軽減するために，複数の基準モデルを統合して用いるというアンサンブル異常検出手法を提案する．実トラヒックデータを用いた実験の結果，提案手法を用いることで，異常検出性能を犠牲にすることなく，上記の分類作業に伴う負担を削減可能であることが示された．