論文の概要: 1D CNN Based Network Intrusion Detection with Normalization on
Imbalanced Data
- arxiv url: http://arxiv.org/abs/2003.00476v2
- Date: Wed, 4 Mar 2020 09:44:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 13:13:22.977642
- Title: 1D CNN Based Network Intrusion Detection with Normalization on
Imbalanced Data
- Title（参考訳）: 不均衡データの正規化による1D CNNによるネットワーク侵入検出
- Authors: Azizjon Meliboev, Jumabek Alikhanov, Wooseong Kim
- Abstract要約: 侵入検知システム(IDS)は、コンピュータネットワークにおいて、コンピュータ資源とデータを外部攻撃から保護する重要な役割を担っている。
最近のIDSは、予期せぬ、予測不能な攻撃に対するIDSの柔軟性と効率性を向上する課題に直面している。
1次元畳み込みニューラルネットワーク(1D-CNN)を用いた効率的かつ柔軟なIDS構築のための深層学習手法を提案する。
- 参考スコア（独自算出の注目度）: 0.19336815376402716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intrusion detection system (IDS) plays an essential role in computer networks
protecting computing resources and data from outside attacks. Recent IDS faces
challenges improving flexibility and efficiency of the IDS for unexpected and
unpredictable attacks. Deep neural network (DNN) is considered popularly for
complex systems to abstract features and learn as a machine learning technique.
In this paper, we propose a deep learning approach for developing the efficient
and flexible IDS using one-dimensional Convolutional Neural Network (1D-CNN).
Two-dimensional CNN methods have shown remarkable performance in detecting
objects of images in computer vision area. Meanwhile, the 1D-CNN can be used
for supervised learning on time-series data. We establish a machine learning
model based on the 1D-CNN by serializing Transmission Control Protocol/Internet
Protocol (TCP/IP) packets in a predetermined time range as an invasion Internet
traffic model for the IDS, where normal and abnormal network traffics are
categorized and labeled for supervised learning in the 1D-CNN. We evaluated our
model on UNSW\_NB15 IDS dataset to show the effectiveness of our method. For
comparison study in performance, machine learning-based Random Forest (RF) and
Support Vector Machine (SVM) models in addition to the 1D-CNN with various
network parameters and architecture are exploited. In each experiment, the
models are run up to 200 epochs with a learning rate in 0.0001 on imbalanced
and balanced data. 1D-CNN and its variant architectures have outperformed
compared to the classical machine learning classifiers. This is mainly due to
the reason that CNN has the capability to extract high-level feature
representations that represent the abstract form of low-level feature sets of
network traffic connections.
- Abstract（参考訳）: 侵入検知システム(ids)は、コンピュータネットワークが外部攻撃からコンピュータリソースやデータを保護する上で重要な役割を担っている。
最近のIDSは、予期せぬ、予測できない攻撃に対するIDSの柔軟性と効率性を向上する課題に直面している。
ディープニューラルネットワーク(DNN)は、複雑なシステムが特徴を抽象化し、機械学習のテクニックとして学ぶのが一般的である。
本稿では,1次元畳み込みニューラルネットワーク(1D-CNN)を用いた効率的かつ柔軟なIDSを開発するためのディープラーニング手法を提案する。
2次元CNN法はコンピュータビジョン領域における画像の物体検出において顕著な性能を示した。
一方、1D-CNNは時系列データの教師あり学習に利用できる。
IDSの侵入インターネットトラフィックモデルとして,TCP/IPパケットを所定の時間帯にシリアライズすることで,1D-CNNに基づく機械学習モデルを構築し,通常のネットワークトラフィックと異常なネットワークトラフィックを分類,ラベル付けして1D-CNNにおける教師あり学習を行う。
提案手法の有効性を示すために,UNSW\_NB15 IDSデータセットを用いて評価を行った。
性能比較のため、様々なネットワークパラメータとアーキテクチャを備えた1d-cnnに加えて、機械学習に基づくランダムフォレスト(rf)とサポートベクターマシン(svm)モデルが活用されている。
各実験では、モデルは200エポックまで実行され、不均衡データとバランスデータの0.0001で学習される。
1D-CNNとその変種アーキテクチャは、古典的な機械学習分類器よりも優れている。
これは主に、CNNがネットワークトラフィック接続の低レベル特徴集合の抽象的な形式を表す高レベル特徴表現を抽出する能力を持っているためである。
関連論文リスト
- Event-based Spiking Neural Networks for Object Detection: A Review of Datasets, Architectures, Learning Rules, and Implementation [0.3686808512438362]
スパイキングニューラルネットワーク(SNN)は、コンピュータビジョン(CV)アプリケーションのための従来の人工知能ニューラルネットワーク(ANN)に代わるエネルギー効率の良い代替手段を提供する。
本稿では,SNNを用いたCVベース物体検出タスクにおいて,データセット,アーキテクチャ,学習方法,実装手法,評価手法を体系的に検討する。
論文 参考訳（メタデータ） (2024-11-26T00:28:43Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Defect Classification in Additive Manufacturing Using CNN-Based Vision
Processing [76.72662577101988]
本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。
これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
論文 参考訳（メタデータ） (2023-07-14T14:36:58Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - A Domain Decomposition-Based CNN-DNN Architecture for Model Parallel Training Applied to Image Recognition Problems [0.0]
モデル並列トレーニング戦略を自然にサポートする新しいCNN-DNNアーキテクチャを提案する。
提案手法は,グローバルモデルと比較して,必要なトレーニング時間を著しく短縮することができる。
その結果,提案手法は,基礎となる分類問題の精度向上にも有効であることが示唆された。
論文 参考訳（メタデータ） (2023-02-13T18:06:59Z) - Comparison Analysis of Traditional Machine Learning and Deep Learning
Techniques for Data and Image Classification [62.997667081978825]
本研究の目的は、コンピュータビジョン2次元オブジェクト分類タスクに使用される最も一般的な機械学習およびディープラーニング技術を分析し比較することである。
まず、視覚語モデルと深部畳み込みニューラルネットワーク(DCNN)の理論的背景を示す。
次に、Bag of Visual Wordsモデル、VGG16 CNN Architectureを実装します。
論文 参考訳（メタデータ） (2022-04-11T11:34:43Z) - Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for
Event-Based Vision [64.71260357476602]
イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。
イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。
本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-06T23:45:58Z) - CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded
Systems [0.0]
畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。
本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
論文 参考訳（メタデータ） (2021-12-01T18:20:52Z) - Learning to Detect: A Data-driven Approach for Network Intrusion
Detection [17.288512506016612]
ネットワークトラフィックデータセットであるNSL-KDDについて、パターンを可視化し、異なる学習モデルを用いてサイバー攻撃を検出することで包括的な研究を行う。
侵入検知に単一学習モデルアプローチを用いた従来の浅層学習モデルや深層学習モデルとは異なり、階層戦略を採用する。
バイナリ侵入検出タスクにおける教師なし表現学習モデルの利点を実証する。
論文 参考訳（メタデータ） (2021-08-18T21:19:26Z) - Inferring Convolutional Neural Networks' accuracies from their
architectural characterizations [0.0]
CNNのアーキテクチャと性能の関係について検討する。
本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。
我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
論文 参考訳（メタデータ） (2020-01-07T16:41:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。