論文の概要: G-IDS: Generative Adversarial Networks Assisted Intrusion Detection
System
- arxiv url: http://arxiv.org/abs/2006.00676v1
- Date: Mon, 1 Jun 2020 02:42:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 07:42:45.020536
- Title: G-IDS: Generative Adversarial Networks Assisted Intrusion Detection
System
- Title(参考訳): G-IDS:ジェネレーティブ・ディバイザ・ネットワークを用いた侵入検知システム
- Authors: Md Hasan Shahriar, Nur Imtiazul Haque, Mohammad Ashiqur Rahman, and
Miguel Alonso Jr
- Abstract要約: 本稿では,GANによる侵入検知システム(G-IDS)を提案する。
G-IDSは合成サンプルを生成し、IDSは元のサンプルとともにそれらを訓練する。
提案したG-IDSモデルは,スタンドアロンのIDSよりも,トレーニングプロセス中の攻撃検出とモデルの安定化に優れていた。
- 参考スコア(独自算出の注目度): 1.5119440099674917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The boundaries of cyber-physical systems (CPS) and the Internet of Things
(IoT) are converging together day by day to introduce a common platform on
hybrid systems. Moreover, the combination of artificial intelligence (AI) with
CPS creates a new dimension of technological advancement. All these
connectivity and dependability are creating massive space for the attackers to
launch cyber attacks. To defend against these attacks, intrusion detection
system (IDS) has been widely used. However, emerging CPS technologies suffer
from imbalanced and missing sample data, which makes the training of IDS
difficult. In this paper, we propose a generative adversarial network (GAN)
based intrusion detection system (G-IDS), where GAN generates synthetic
samples, and IDS gets trained on them along with the original ones. G-IDS also
fixes the difficulties of imbalanced or missing data problems. We model a
network security dataset for an emerging CPS using NSL KDD-99 dataset and
evaluate our proposed model's performance using different metrics. We find that
our proposed G-IDS model performs much better in attack detection and model
stabilization during the training process than a standalone IDS.
- Abstract(参考訳): サイバー物理システム(CPS)とモノのインターネット(IoT)の境界線は、ハイブリッドシステム上で共通のプラットフォームを導入するために、日に日に集まっている。
さらに、人工知能(AI)とCPSの組み合わせは、新たな技術進歩の次元を生み出している。
こうした接続性と信頼性は、攻撃者がサイバー攻撃を開始するための膨大なスペースを生み出している。
これらの攻撃から防御するために、侵入検知システム(ids)が広く使われている。
しかし、新しいCPS技術は、不均衡でサンプルデータの欠如に悩まされ、IDSのトレーニングが困難になる。
本稿では、ganが合成サンプルを生成し、元のサンプルと共にidをトレーニングする、g-ids(generative adversarial network)ベースの侵入検知システムを提案する。
G-IDSはデータの不均衡や欠落の問題も解決している。
NSL KDD-99データセットを用いて新しいCPSのためのネットワークセキュリティデータセットをモデル化し、異なるメトリクスを用いて提案モデルの性能を評価する。
提案したG-IDSモデルは,スタンドアロンのIDSよりも,トレーニングプロセス中の攻撃検出とモデルの安定化に優れていた。
関連論文リスト
- Multiclass Classification Procedure for Detecting Attacks on MQTT-IoT
Protocol [0.0]
侵入検知システム(IDS)は、ネットワークレベルでの様々な異常や攻撃からIoTシステムを保護するために使用される。
我々の研究は、IoTシステムの攻撃下でフレームを含むデータセットを使用してIDSにフィードできる分類モデルの作成に重点を置いている。
論文 参考訳(メタデータ) (2024-02-05T18:27:46Z) - Advancing DDoS Attack Detection: A Synergistic Approach Using Deep
Residual Neural Networks and Synthetic Oversampling [2.988269372716689]
本稿では,Deep Residual Neural Networks(ResNets)の機能を活用したDDoS攻撃検出の強化手法を提案する。
我々は、良性および悪意のあるデータポイントの表現のバランスをとり、モデルが攻撃を示す複雑なパターンをよりよく識別できるようにする。
実世界のデータセットを用いた実験結果から,従来の手法よりもはるかに優れた99.98%の精度が得られた。
論文 参考訳(メタデータ) (2024-01-06T03:03:52Z) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳(メタデータ) (2023-10-11T07:30:37Z) - A Variational Autoencoder Framework for Robust, Physics-Informed
Cyberattack Recognition in Industrial Cyber-Physical Systems [2.051548207330147]
我々は、産業制御システムに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発する。
このフレームワークは、可変オートエンコーダ(VAE)、リカレントニューラルネットワーク(RNN)、ディープニューラルネットワーク(DNN)を組み合わせたハイブリッド設計である。
論文 参考訳(メタデータ) (2023-10-10T19:07:53Z) - Causal Semantic Communication for Digital Twins: A Generalizable
Imitation Learning Approach [74.25870052841226]
デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。
無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。
DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
論文 参考訳(メタデータ) (2023-04-25T00:15:00Z) - DRL-GAN: A Hybrid Approach for Binary and Multiclass Network Intrusion
Detection [2.7122540465034106]
侵入検知システム(IDS)は、これらの攻撃を検出するための重要なセキュリティ技術である。
本稿では,GAN(Generative Adversarial Network)が生成した合成データを用いて,深層強化学習(DRL)モデルの入力として用いる新しいハイブリッド手法を提案する。
その結果,DRLを特定の合成データセット上でトレーニングすると,真の不均衡データセット上でのトレーニングよりも,マイノリティクラスを正しく分類する方が優れた性能が得られることがわかった。
論文 参考訳(メタデータ) (2023-01-05T19:51:24Z) - Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial
Attacks and Training [62.77129284830945]
本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。
また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
論文 参考訳(メタデータ) (2022-06-14T04:55:11Z) - TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack [46.79557381882643]
本稿では,TANTRA(Adversarial Network Traffic Reshaping Attack)を提案する。
我々の回避攻撃は、ターゲットネットワークの良性パケット間の時間差を学習するために訓練された長い短期記憶(LSTM)ディープニューラルネットワーク(DNN)を利用する。
TANTRAは、ネットワーク侵入検出システム回避の平均成功率99.99%を達成します。
論文 参考訳(メタデータ) (2021-03-10T19:03:38Z) - Deep Learning based Covert Attack Identification for Industrial Control
Systems [5.299113288020827]
我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。
このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
論文 参考訳(メタデータ) (2020-09-25T17:48:43Z) - Data Mining with Big Data in Intrusion Detection Systems: A Systematic
Literature Review [68.15472610671748]
クラウドコンピューティングは、複雑で高性能でスケーラブルな計算のために、強力で必要不可欠な技術になっている。
データ生成の迅速化とボリュームは、データ管理とセキュリティに重大な課題をもたらし始めている。
ビッグデータ設定における侵入検知システム(IDS)の設計と展開が重要視されている。
論文 参考訳(メタデータ) (2020-05-23T20:57:12Z) - Fingerprint Presentation Attack Detection: A Sensor and Material
Agnostic Approach [44.46178415547532]
クロスマテリアルとクロスセンサの一般化を改良した,堅牢なプレゼンテーションアタック検出(PAD)ソリューションを提案する。
具体的には,指紋スプーフ検出とクロスマテリアルスプーフ一般化を併用して,指紋スプーフ検出を訓練したCNNベースのアーキテクチャを構築した。
また,DNN(Deep Neural Network)にARL(Adversarial Expression Learning)を組み込んで,PADのセンサおよび材料不変表現を学習する。
論文 参考訳(メタデータ) (2020-04-06T19:03:05Z)
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。