Researching for developing training set with artificial neural network technology based on firewall rules.

Abstract

ในงานวิจัยนี้เราได้พัฒนาโปรแกรมสร้างชุดแพ็คเกตฝึกสอนปัญญาประดิษฐ์จากกฎไฟร์วอลล์และโมเดลประสาทเทียมเชิงลึก เพื่อสังเกตและวิเคราะห์การทดลองจากผลลัพธ์หรือแนวทางที่จะนําไปประยุกต์ใช้กับการสร้างชุดข้อมูลฝึกสอนที่มีประสิทธิภาพได้ มี หลักสําคัญในการตัดสินคือจะต้องใช้จํานวนชุดฝึกสอนและเวลาที่น้อยแต่ให้ความแม่นยําที่สูง โดยโครงงานวิจัยนี้เป็นการต่อยอดจาก งานวิจัยเก่าของรุ่นพี่ เป็นการสร้างไฟร์วอลล์ที่มีการนําโครงข่ายประสาทเทียมเชิงลึกหรือ Deep Neural Network มาใช้และเป็นการ แก้ไขปัญหาวิธีการแบ่งชุดฝึกสอนจากกฎไฟร์วอลล์ที่ไม่เหมาะที่จะนํามาใช้จริง คือ แบบ N Sample แบ่งจํานวนชุดฝึกสอนของกฎ ไฟร์วอลล์แต่ละข้อมีจํานวนเท่ากันทั้งหมด ซึ่งกฎไฟร์วอลล์มีขนาดความซับซ้อนของกฎที่ต่างกันทําให้ไม่ควรที่จะแบ่งให้มีจํานวน เท่ากัน เพราะอาจจะทําให้เกิดปัญหาความแม่นยําในการทํานายผลไม่เพียงพอจนต้องสร้างแพ็คเกตเพื่อใช้ฝึกสอนมากขึ้นซึ่งจะทําให้ เสียเวลาในการเทรนโมเดล โดยทางเราได้เสนอวิธีการแบ่งเพิ่มอีก 2 วิธีได้แก่ การแบ่งด้วยอัตราส่วน Ratio โดยจํานวนแพ็คเกตฝึก สอนที่แต่ละกฎจะได้รับขึ้นอยู่กับขอบเขตของกฏโดยได้รับที่อัตราส่วนเท่ากัน กับวิธีการแบ่งแบบเข้าฟังก์ชั่น Logarithm ของแต่ละ Data Field เพื่อแก้ไขปัญหาจากวิธีก่อนหน้าและปัญหาจากการสร้าง Default Rule ที่มีขอบเขตกว้างและยากต่อการหาจํานวน เหมาะสมที่จะนํามาฝึกโมเดลของวิธีการแบ่งแบบ Ratio ในส่วนของการทดลองจะเป็นการเปรียบเทียบอัลกอริที่มแบบเก่าและแบบใหม่ โดยใช้ตัวตั้งเป็นจํานวนแพ็คเกตที่ใช้ฝึกสอน โมเดลหรือ Total train packet เป็นตัวตั้ง ซึ่งการทดลองจะเห็นว่าเมื่อทํานายกฎที่มีขอบเขตกว้างอย่าง Default Rule โดยวิธีการแบ่ง แบบเข้าฟังก์ชั่น Logarithm จะได้ผลความแม่นยําที่ดีกว่าเมื่อเปรียบเทียบกับวีธีแบ่งแบบ N Sample ที่จํานวนชุดฝึกสอนเท่ากัน สังเกตได้จากผลรวมแพ็คเกตที่ไม่ถูกต้องน้อยกว่าในทุกจุดของการทดลอง และเมื่อเปรียบเทียบตัวชี้วัดอื่นเช่น เวลาที่ใช้ในการฝึก โมเดลและเวลาประมวลผล ตัวชี้วัดนี้จะแปรผันตรงกับจํานวนชุดฝึกสอนที่สร้างซึ่งตอนทดลองเปรียบเทียบกําหนดให้จํานวนเท่ากัน อยู่แล้ว ทําให้สรุปได้ว่าวิธีการแบ่งชุดฝึกตามกฎไฟร์วอลล์แบบ Logarithm Function ให้ผลความแม่นยําที่ดีและเหมาะสมกว่าแบบวิธี N Sample