ネットワーク侵入検知のための並列ローカル・グローバル特徴抽出とクロスアテンションゲート付きフュージョン
Parallel Local–Global Feature Extraction and Cross-Attention Gated Fusion for Network Intrusion Detection
ネットワーク技術とIoTの進展に伴い、大量かつ高次元のトラフィックデータがネットワーク侵入検知システム(NIDS)に課題を突きつけている。既存の深層学習手法は、ローカル特徴とグローバル特徴の同時抽出不足や、特徴間の深い相互作用の欠如といった限界を抱えている。これらの課題に対処するため、並列Temporal Convolutional Network(TCN)とBidirectional Long Short-Term Memory(BiLSTM)ブランチを持つデュアルストリームアーキテクチャを採用した並列ローカル・グローバル特徴抽出(PLGFE)モジュールが構築された。このモジュールは、TCNの拡張畳み込みとBiLSTMの双方向メモリユニットを用いて、補完的なローカル特徴とグローバル特徴を同時に抽出する。クロスアテンションゲート付きフュージョン(CAG)モジュールは、クロスアテンションとゲート機構を統合し、特徴間の深い相互作用と冗長な特徴の適応的選択を可能にする。CICIDS2017およびCICIoV2024データセットでの実験では、提案手法がそれぞれ99.85%と99.64%の多クラス分類精度、97.03%と97.64%のF1スコアを達成したことが示された。
- 並列TCNとBiLSTMのデュアルストリーム構成(PLGFE)でローカル特徴とグローバル特徴を同時抽出するNIDS手法を提案
- クロスアテンションとゲート機構を統合したCAGモジュールで特徴間の深い相互作用と冗長特徴の適応的選択を実現
- CICIDS2017とCICIoV2024データセットで多クラス分類精度99.85%・99.64%、F1スコア97.03%・97.64%を達成
ネットワーク侵入検知(NIDS)の検知精度を99.8%超まで引き上げた研究で、TCN+BiLSTMの並列抽出とクロスアテンションゲートによる融合という構成は、既存IDS製品の検知エンジン刷新に直結し得る。ベンチマーク(CICIDS2017/CICIoV2024)での高精度は、商用セキュリティ製品やSOC運用の誤検知コスト削減につながるため、IDS/NDRベンダーの競争力評価や、組み込み先のIoT・車載ネットワーク向けセキュリティ投資の判断材料として注目。ただし論文段階であり、実運用トラフィックでの再現性と製品化の有無が今後の確認点。