SHAPと深層学習に基づく効率的なネットワークトラフィック異常検知手法
An efficient method for network traffic anomaly detection based on SHAP and deep learning
本研究は、無線センサーネットワーク(WSN)におけるサービス拒否(DoS)攻撃検知の課題に対応するため、SHAP(SHapley Additive exPlanations)による特徴量解釈と、自己注意機構を備えた深層畳み込みニューラルネットワーク(DCNN)を統合した効率的な異常検知フレームワークを提案する。SHAPアルゴリズムは特徴量の寄与度を定量化することで直接最適な特徴量サブセットを選択し、次元削減を不要にする。その後、自己注意機構で強化されたDCNNモデルがSHAPで洗練された特徴量から時空間パターンを学習し、異常トラフィックの識別能力を向上させる。UNSW-NB15データセットで評価した結果、提案モデルはAUROC = 0.999、AUPRC = 0.992を達成し、既存の最先端手法(SVM: AUROC = 0.993、XGBoost: AUPRC = 0.988)を上回った。アブレーションスタディにより、SHAPはMCCを6.1%、注意機構はDoS検知精度を3.9%向上させることが確認された。本研究は、解釈可能な特徴量選択(SHAP)と注意機構駆動型深層学習の組み合わせが、検知効率と精度を大幅に向上させ、リアルタイムWSNセキュリティのための実行可能なソリューションを提供することを示す。
- SHAPと自己注意機構付きDCNNを統合したWSN向けDoS攻撃検知フレームワークを提案し、UNSW-NB15データセットでAUROC=0.999、AUPRC=0.992を達成
- 提案モデルは既存の最先端手法であるSVM(AUROC=0.993)やXGBoost(AUPRC=0.988)を上回る検知精度を実証
- アブレーションスタディにより、SHAPはMCCを6.1%、注意機構はDoS検知精度を3.9%向上させることを確認
WSN(無線センサーネットワーク)向けのDoS攻撃検知技術で、SHAPによる特徴量選択と自己注意機構付きDCNNを統合し、AUROC=0.999・AUPRC=0.992という高い検知性能を達成した点は注目に値する。既存手法(SVM、XGBoost)を上回る精度を示しており、IoT/センサーネットワークのセキュリティ市場における実用的なソリューションとして競争力を持つ可能性がある。リアルタイムセキュリティ用途への応用が期待される。