Koneoppimisen menetelmät tunkeutumisen havaitsemisessa : Testaamisen villi länsi

Abstract

Tietoliikenneverkkojen monimuotoisuus ja kompleksisuus lisääntyvät kasvavalla nopeudella. Tämä heijastuu myös haitallisten toimijoiden toteuttamiin hyökkäyksiin, jotka kehittyvät yhä nopeammalla syklillä. Tunkeutumisenhavaitsemisjärjestelmät ovat merkittävä työkalu haitallisen toiminnan estämisessä ja rajoittamisessa. Perinteiset havaitsemisen menetelmät, kuten sormenjälkiin perustuvat, eivät enää pärjää nopeasti kehittyvässä uhkaympäristössä. Nämä alkavatkin vihdoin jäämään modernien varjoon ja alalla eletään koneoppimisen murrosta. Koneoppimista tunkeutumisen havaitsemisessa tutkitaan tällä hetkellä huomattavasti ja erilaisia menetelmiä on kehitetty valtava määrä. Tämä kirjallisuuskatsauksena tehty tutkielma pyrkii pohtimaan koneoppimisen roolia tunkeutumisen havaitsemisessa, nostamaan esille mielenkiintoisia menetelmiä viimeaikaisesta tutkimuksesta ja vertailemaan niiden suoriutumista. Tuloksista käy ilmi, ettei menetelmien vertaileminen ole yksinkertainen asia. Tämä johtuu testaamisen standardin puuttumisesta, joka on johtanut menetelmien ja mittareiden vaihteluun eri tutkimusten välillä. Lisäksi tulokset vahvistavat sen, että koneoppimisen menetelmät ovat vakiinnuttaneet asemansa tunkeutumisenhavaitsemisjärjestelmissä perinteisten menetelmien rinnalla. Perinteiset menetelmät ovat säilyttäneet asemansa lähinnä niiden laskennallisen tehokkuutensa ansiosta. Vertailun vaikeuksista huolimatta viimeaikaisesta tutkimuksesta oli löydettävissä erittäin innovatiivisia ja suorituskykyisiä koneoppimisen ratkaisuja, jotka kykenivät lähes täydellisiin suorituksiin. Testaamisen standardin puuttuminen tosin jättää kysymyksen: Mitä tämä täydellinen itse asiassa tarkoittaa?