표제지
요약
목차
제1장 서론 11
제1절 연구배경 및 목적 11
제2절 논문의 구성 13
제2장 관련 연구 14
제1절 침입탐지 관련 선행 연구 14
제2절 인공지능과 머신러닝, 딥러닝 16
1. 기본개념 16
2. 인공신경망 17
3. 딥러닝의 기본원리 18
제3절 생성적 적대 신경망 19
1. 기본개념 19
2. 학습 원리 21
3. 목적함수 23
4. DCGAN 24
5. SGAN 28
제4절 소프트맥스 30
제3장 제안 방안 31
제1절 데이터 세트 31
제2절 제안 모델 34
제4장 실험 및 평가 36
제1절 실험 환경 36
제2절 데이터 전처리 및 이미지 생성 36
제3절 Resampling 37
제4절 Resampling 40
제5절 소프트맥스 점수 확인 45
제6절 성능평가 지표 50
제7절 클래스 재분류 51
제8절 성능 비교 53
제5장 결론 54
참고문헌 55
Abstract 59
〈표 1〉 CNN 기반 분류모델의 NSL-KDD 오차행렬 15
〈표 2〉 SGAN 기반 분류모델의 NSL-KDD 오차행렬 15
〈표 3〉 NSL_KDD 클래스 구성 31
〈표 4〉 NSL_KDD 세부 구성 33
〈표 5〉 KDDTest+ 소프트맥스 점수 45
〈표 6〉 공격 클래스의 소프트맥스 점수 통계 47
〈표 7〉 기존 공격 클래스의 소프트맥스 점수 통계 48
〈표 8〉 새로운 공격 클래스의 소프트맥스 점수 통계 49
〈표 9〉 공격트래픽 재분류 결과 52
〈표 10〉 기존 연구와의 비교 53
〈그림 1〉 침입탐지시스템 분류 11
〈그림 2〉 인공지능, 머신러닝, 딥러닝의 관계 16
〈그림 3〉 머신러닝의 패러다임 16
〈그림 4〉 인간의 뉴런과 인공신경망의 퍼셉트론 17
〈그림 5〉 딥러닝 기본원리 18
〈그림 6〉 월별 GAN 관련 논문 발표 횟수 19
〈그림 7〉 ProGAN으로 생성한 가짜 얼굴 20
〈그림 8〉 GAN 학습 알고리즘 21
〈그림 9〉 GAN의 생성자 네트워크 21
〈그림 10〉 GAN의 판별자 네트워크 22
〈그림 11〉 GAN의 네트워크 가중치 업데이트 과정 22
〈그림 12〉 바닐라 GAN의 신경망 형태(생성자(좌), 판별자(우)) 24
〈그림 13〉 DCGAN의 신경망 형태(생성자(좌), 판별자(우)) 24
〈그림 14〉 CNN 원리 25
〈그림 15〉 여러 개의 필터 적용 26
〈그림 16〉 DCGAN으로 LSUN을 1 epoch 학습 후 생성한 이미지 27
〈그림 17〉 준지도학습(semi-supervised learning) 개념 28
〈그림 18〉 SGAN 구조 29
〈그림 19〉 NSL-KDD 트래픽 샘플의 특성정보 31
〈그림 20〉 제안모델 구조 35
〈그림 21〉 각 클래스 별 이미지 예시 37
〈그림 22〉 희소클래스 추가 생산을 위한 DCGAN 학습 37
〈그림 23〉 DCGAN 생성자의 model plot 38
〈그림 24〉 DCGAN 판별자의 model plot 39
〈그림 25〉 SGAN의 분류모델 학습 40
〈그림 26〉 SGAN 생성자의 model plot 41
〈그림 27〉 SGAN 판별자의 model plot 42
〈그림 28〉 SGAN 분류자의 model plot 43
〈그림 29〉 SGAN 분류모델의 정확도 44
〈그림 30〉 KDDTest+ 오차행렬 44
〈그림 31〉 공격 클래스 소프트맥스 점수 박스플롯 47
〈그림 32〉 기존 공격 클래스의 소프트맥스 점수 박스플롯 48
〈그림 33〉 새로운 공격 클래스의 소프트맥스 점수 박스플롯 49
〈그림 34〉 오차행렬 50
〈그림 35〉 TP, FP, FN, TN의 관계 50
〈그림 36〉 제안 모델의 오차행렬 52
〈그림 37〉 기존 연구와의 성능 비교 53