A framework proposal for an energy and performance profiler for network anomaly detection based on deep learning

Abstract

Network anomaly detection is an essential tool for security and malicious network activ ity prevention, and state-of-the-art techniques based on deep learning have already en abled great performance results for anomaly detection systems. This success is partially explained by deep learning techniques being better in dealing with the ever-increasing quantity of data being transferred by the networks, and also by having better performance results when compared to classical approaches. However, deep learning techniques are well-known complex and resource-greedy solutions, requiring an exclusive amount of data and training time only to develop the solution model. Therefore, energy consump tion is becoming increasingly important as an aspect of the deep learning design for net work anomaly detection systems. To provide tooling and enhance the general under standing of the trade-offs concerning energy consumption and performance, this work will propose, develop, and test a profiling framework for energy and performance of deep learning-based network anomaly detection solutions. This proposal explores the usage of performance monitoring counters, instrumentation profiling, and statistical validation to generate energy and performance profiles for different configurations of a deep learning model for network anomaly detection. To demonstrate the usage and the benefits of our proposal, this work has also executed a demonstration experiment that serves as an ex ample of the energy and performance trade-offs that must be considered when developing energy-aware deep learning-based solutions for network anomaly detection.

Detecção de anomalias em redes é uma ferramenta essencial para segurança e prevenção de atividades maliciosas na rede, e o estado-da-arte baseado em aprendizado profundo já permitiu grandes resultados em termos de performance para os sistemas de detecção de anomalias. Este sucesso é parcialmente explicado pelas técnicas de aprendizado profundo serem mais capacitadas em lidar com a quantidade crescente de dados sendo transferidos pelas redes, e também pelo melhor desempenho quando comparadas com abordagens clássicas. No entanto, técnicas de aprendizado profundo são conhecidas pela complexi dade e por consumir grandes quantidades de recursos, requerendo uma quantidade ex clusiva de dados e tempo de treinamento somente para o desenvolvimento do modelo. Portanto, o consumo de energia está se tornado um aspecto cada vez mais importante para o desenvolvimento de modelos baseado em aprendizado profundo para sistemas de detecção de anomalias em redes. Para gerar um ferramental e melhorar o entendimento geral sobre as compensações a respeito de consumo energético e performance, este traba lho irá propor, desenvolver e testar uma biblioteca de identificação de perfis de energia e performance para soluções de detecção de anomalias em rede baseadas em aprendizado profundo. A presente proposta explora o uso de contadores de monitoramento de per formance, perfilação baseada em instrumentação e validação estatística para gerar perfis de energia e performance para diferentes configurações de um mesmo modelo de apren dizado profundo para detecção de anomalias. Para demonstrar o uso e os benefícios de nossa proposta, este trabalho também executou um experimento de demonstração que serve como exemplo das compensações que envolvem energia e performance.