論文の概要: SFE-GACN: A Novel Unknown Attack Detection Method Using Intra Categories
Generation in Embedding Space
- arxiv url: http://arxiv.org/abs/2004.05693v2
- Date: Wed, 17 Mar 2021 14:54:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 05:40:20.071518
- Title: SFE-GACN: A Novel Unknown Attack Detection Method Using Intra Categories
Generation in Embedding Space
- Title（参考訳）: SFE-GACN:埋め込み空間におけるカテゴリ内生成を用いた未知の攻撃検出手法
- Authors: Ao Liu, Yunpeng Wang, Tao Li
- Abstract要約: 暗号化されたネットワークトラフィック侵入検出では,ディープラーニングに基づくスキームが注目されている。
本稿では,埋め込み空間におけるカテゴリ内生成に基づく未知の攻撃検出手法を提案する。
その結果、最先端法と比較して平均TPRは8.38%高く、平均FPRは12.77%低いことがわかった。
- 参考スコア（独自算出の注目度）: 15.539505627198109
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the encrypted network traffic intrusion detection, deep learning based
schemes have attracted lots of attention. However, in real-world scenarios,
data is often insufficient (few-shot), which leads to various deviations
between the models prediction and the ground truth. Consequently, downstream
tasks such as unknown attack detection based on few-shot will be limited by
insufficient data. In this paper, we propose a novel unknown attack detection
method based on Intra Categories Generation in Embedding Space, namely
SFE-GACN, which might be the solution of few-shot problem. Concretely, we first
proposed Session Feature Embedding (SFE) to summarize the context of sessions
(session is the basic granularity of network traffic), bring the insufficient
data to the pre-trained embedding space. In this way, we achieve the goal of
preliminary information extension in the few-shot case. Second, we further
propose the Generative Adversarial Cooperative Network (GACN), which improves
the conventional Generative Adversarial Network by supervising the generated
sample to avoid falling into similar categories, and thus enables samples to
generate intra categories. Our proposed SFE-GACN can accurately generate
session samples in the case of few-shot, and ensure the difference between
categories during data augmentation. The detection results show that, compared
to the state-of-the-art method, the average TPR is 8.38% higher, and the
average FPR is 12.77% lower. In addition, we evaluated the graphics generation
capabilities of GACN on the graphics dataset, the result shows our proposed
GACN can be popularized for generating easy-confused multi-categories graphics.
- Abstract（参考訳）: 暗号化されたネットワークトラフィック侵入検出では,ディープラーニングに基づくスキームが注目されている。
しかし、現実のシナリオでは、データはしばしば不十分(フェールショット)であり、モデル予測と基底真理の間に様々なずれが生じる。
したがって、数ショットに基づく未知の攻撃検出などの下流タスクは、不十分なデータによって制限される。
本稿では,埋め込み空間におけるカテゴリ内生成(SFE-GACN)に基づく未知の攻撃検出手法を提案する。
具体的には,セッションのコンテキスト(セッションはネットワークトラフィックの基本的な粒度)を要約するために,セッション機能埋め込み(sfe)を提案した。
このようにして、少数事例における予備情報拡張の目標を達成する。
第2に,生成したサンプルが類似するカテゴリに陥ることを避けるために,生成したサンプルを監督することにより,従来の生成型adversarial networkを改善した生成型adversarial cooperative network(gacn)を提案する。
提案したSFE-GACNは,少数ショットの場合のセッションサンプルを正確に生成し,データ拡張時のカテゴリ間の差異を確実にする。
その結果、最先端法と比較して平均TPRは8.38%高く、平均FPRは12.77%低いことがわかった。
さらに、グラフィックデータセット上でGACNのグラフィクス生成能力を評価し、提案したGACNを多カテゴリのグラフィクスを容易に生成できることを示す。
関連論文リスト
- Few Edges Are Enough: Few-Shot Network Attack Detection with Graph Neural Networks [0.0]
本稿では,偽陽性異常と実際の攻撃をよりよく区別するために,Few Edges Are Enough (FEAE)を提案する。
FEAEは2つのよく知られたネットワークデータセット上での競合性能を達成する。
論文 参考訳（メタデータ） (2025-01-28T14:07:52Z) - Towards Cross-domain Few-shot Graph Anomaly Detection [6.732699844225434]
ソースとターゲットドメイン間のデータ分散の相違により、クロスドメインの少数ショットグラフ異常検出(GAD)は簡単ではない。
我々は,上記の課題に対処するために,CDFS-GADと呼ばれるシンプルで効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-11T08:47:25Z) - HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳（メタデータ） (2024-01-18T12:47:13Z) - A Parameterized Generative Adversarial Network Using Cyclic Projection
for Explainable Medical Image Classification [17.26012062961371]
ParaGANは、ドメイン間の合成サンプルの変化を効果的に制御し、下流分類のための注意領域を強調するパラメータ化GANである。
実験の結果,ParaGANは2つの小規模医療データセットに対して説明可能な分類を行い,既存の拡張手法より一貫して優れていることがわかった。
論文 参考訳（メタデータ） (2023-11-24T10:07:14Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。
本稿では,新たな敵情報ネットワーク(AIN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T02:14:11Z) - GAN Based Boundary Aware Classifier for Detecting Out-of-distribution
Samples [24.572516991009323]
本稿では,ほとんどのIDデータのみを含む閉じたハイパースペースを生成するためのGANベースの境界認識分類器(GBAC)を提案する。
本手法は, 従来のニューラルネットが, 未閉鎖領域として特徴空間を分離し, オード検出に適さない。
GBACを補助モジュールとして、閉じたハイパースペースの外に分散されたoodデータは、より低いスコアで割り当てられ、より効果的なood検出が可能になる。
論文 参考訳（メタデータ） (2021-12-22T03:35:54Z) - Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。
ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。
SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文 参考訳（メタデータ） (2021-07-20T01:55:21Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Selective and Features based Adversarial Example Detection [12.443388374869745]
Deep Neural Networks (DNN) を中継するセキュリティに敏感なアプリケーションは、Adversarial Examples (AE) を生成するために作られた小さな摂動に弱い。
本稿では,マルチタスク学習環境における選択的予測,モデルレイヤの出力処理,知識伝達概念を用いた教師なし検出機構を提案する。
実験の結果,提案手法は,ホワイトボックスシナリオにおけるテスト攻撃に対する最先端手法と同等の結果を得られ,ブラックボックスとグレーボックスシナリオの精度が向上した。
論文 参考訳（メタデータ） (2021-03-09T11:06:15Z) - A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。
本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。
そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
論文 参考訳（メタデータ） (2021-03-01T15:55:58Z)
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。