自己教師ありプロトタイプネットワークと少数ショット学習による適応型継続的ボットネット検出(進化するボットネット検出向け)
Adaptive continual botnet detection with self-supervised prototypical networks and few-shot learning for evolving botnet detection
本研究では、ゼロデイ攻撃や不均衡データセットの状況下での適応型ボットネット検出モデルを開発した。自己教師あり学習(SSL)、注意機構を強化したプロトタイプネットワーク、少数ショット学習(FSL)を統合し、既存の問題を克服する。クラス不均衡に対処するため、Wasserstein GAN with Gradient Penalty(WGAN-GP)が合成サンプルを生成する。適応型継続学習モジュールは、Elastic Weight Consolidation(EWC)と経験再生バッファを組み合わせ、新しいボットネットの挙動に対応しつつ、以前学習したサンプルに対する性能を維持する。さらに、KS検定、Wasserstein距離、クラス事前分布シフトを用いたドリフト検出器が、コンセプトドリフトを特定した場合にモデルの適応をトリガーする。CIC IoT 2023データセットでの評価では、提案モデルは98.50%という卓越した精度を示し、従来のベースラインを上回った。少数ショット学習の評価では、クラスあたり1〜5ショットという少ないサンプル数でも高い汎化能力を示した。
- 自己教師あり学習、プロトタイプネットワーク、少数ショット学習を統合した適応型ボットネット検出モデルを開発し、CIC IoT 2023データセットで98.50%の精度を達成
- クラス不均衡対策としてWGAN-GPによる合成サンプル生成、EWCと経験再生バッファによる適応型継続学習モジュールを実装
ボットネット検出はサイバーセキュリティ市場における重要テーマであり、ゼロデイ攻撃やクラス不均衡に対応した適応型検出手法の研究成果は、AIベースのセキュリティソリューション企業やSOC自動化市場での競争優位につながる可能性がある。提案モデルが98.50%の精度を示したことは、少数ショット設定でも高い汎化が可能であることを示しており、実運用への適用性を高める点で注目に値する。