온라인 공격의 도전에 대비하기 위해 사람들은 침입 감지 시스템을 도입하여 침입 행위를 식별하고 컴퓨터 네트워크를 보호합니다. 모든 이 침입 감지 시스템 중 얕은 학습에 의존하는 전통적인 기계 학습 방법들은 성능이 좋지 않습니다. 기계 학습 방법들과는 달리 현재는 대량의 데이터를 처리할 수 있는 특정 분야의 전문 지식이 필요하지 않은 이유로 깊은 학습 방법들이 우세합니다. 깊은 학습에서 장단기 기억망(Time Delay Neural Networks)과 시간 합성곱 신경망(Temporal Convolutional Networks)은 다른 각도에서 시간 특성을 추출할 수 있으며, 합성곱 신경망(Convolutional Neural Networks)은 공간 특성을 학습할 수 있습니다. 이러한 맥락에서 본 글은 새로운 깊은 시공간 학습 모델(CRGT-SA)을 제안합니다. 이 모델은 합성곱 신경망을 사용하여 시공간 특성을 학습하는 제어된 장단기 기억망과 시간 합성곱 신경망 모듈을 결합하고 의미 있는 특성을 선택하기 위해 자기주의 메커니즘을 도입합니다. 특히, 제안된 모델은 세분화가 점차적으로 확대되는 다단계적 특성 추출을 수행하고 각 단계마다 합성곱 신경망, 장단기 기억망 및 제어된 시간 합성곱 신경망 모듈을 실행합니다. UNSW-NB15 데이터 세트를 사용하여 제안된 CRGT-SA 모델을 검증하고 전통적인 기계 학습 방법, 깊은 학습 모델 및 최첨단 깊은 학습 모델을 비롯한 다른 방법과 비교했습니다. 시뮬레이션 결과 제안된 모델은 가장 높은 정확도와 F1값을 나타냅니다. 해당 모델의 이진 및 다중 분류에서의 정확도는 각각 91.5% 및 90.5%이며, 인터넷을 복잡한 네트워크 공격으로부터 보호하기 위한 능력을 확인하였습니다. 또한 NSL-KDD 데이터 세트에서 시뮬레이션을 수행하고 다른 모델과 비교했으며, 시뮬레이션 결과 이 모델의 일반화 능력도 확인되었습니다.

침입 감지;깊은 학습;합성곱 신경망;장단기 기억망;시간 합성곱 신경망