Proceedings of the Korea Information Processing Society Conference (한국정보처리학회:학술대회논문집)

  • 2024.05a
  • /
  • Pages.882-884
  • /
  • 2024
  • /
  • 2005-0011(pISSN)
  • /
  • 2671-7298(eISSN)
Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Graph Transformer Network based Wireless Network Intrusion Detection System

Graph Transformer Network 기반 무선 네트워크 침입 탐지 시스템

  • Seok-Won Hong (Dept. of Computer Science, Yonsei University) ;
  • Jin-Seong Kim (Dept. of Computer Science, Yonsei University) ;
  • Min-Jae Kim (Major in Information & Communication Engineering, Yonsei University) ;
  • Seok-Hwan Choi (Division of Software, Yonsei University)
  • 홍석원 (연세대학교 전산학과) ;
  • 김진성 (연세대학교 전산학과) ;
  • 김민재 (연세대학교 정보통신공학) ;
  • 최석환 (연세대학교 소프트웨어학부)
  • Published : 2024.05.23
Download PDF
⟨ Previous Next ⟩

Abstract

수많은 무선 네트워크 서비스의 등장과 함께 무선 네트워크를 대상으로 한 공격이 증가하고 있다. 이러한 공격을 탐지하기 위해 최근 많은 연구가 진행되고 있다. 특히 네트워크의 복잡한 연결 구조와 패턴을 효율적으로 분석할 수 있는 그래프 기반 인공지능 모델이 적용된 네트워크 침입 탐지 시스템(Network Intrusion Detection System, NIDS)에 관한 다양한 연구가 진행되고 있다. 이러한 배경을 바탕으로 본 논문에서는 무선 네트워크를 대상으로 한 공격의 정확하고 신속한 탐지를 위한 Graph Transformer Network(GTN) 기반 네트워크 침입 탐지 시스템을 제안하고 AWID3 데이터셋을 이용한 실험을 통해 GTN 기반 NIDS의 우수성을 검증한다.

Keywords

Acknowledgement

본 연구는 정부(과학기술정보통신부)의 재원으로 한국연구재단(RS-2023-00243075) 및 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터사업(IITP-2023-RS-2023-00259967)의 지원을 받아 수행된 연구임.

References

  1. T. Pourhabibi, et al., "Fraud detection: A systematic literature review of graph-based anomaly detection approaches," Decision Support Systems, Vol. 133, 113303, 2020.
  2. L. Akoglu, H. Tong, & D. Koutra, "Graph based anomaly detection and description: asurvey," Data Mining and Knowledge Discovery, Vol. 29, pp. 626-688, 2015. https://doi.org/10.1007/s10618-014-0365-y
  3. CHATZOGLOU, Efstratios; KAMBOURAKIS, Georgios; KOLIAS, Constantinos. Empirical evaluation of attacks against IEEE 802.11enterprise networks: The AWID3 dataset. IEEE Access, 2021, 9: 34188-34205. https://doi.org/10.1109/ACCESS.2021.3061609
  4. Yun, Seongjun, et al. "Graph transformer networks." Advances in neural information processing systems 32 (2019).
  5. WANG, Yue, et al. "Dynamic graph cnn for learning on point clouds." ACM Transactions on Graphics (tog), 2019, 38.5: 1-12. https://doi.org/10.1145/3326362
  6. Gasteiger, Johannes, Stefan Weissenberger, and Stephan Gunnemann. "Diffusion improves graph learning." Advances in neural information processing systems 32 (2019).