論文の概要: Experimental Review of Neural-based approaches for Network Intrusion
Management
- arxiv url: http://arxiv.org/abs/2009.09011v1
- Date: Fri, 18 Sep 2020 18:32:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 03:44:04.429802
- Title: Experimental Review of Neural-based approaches for Network Intrusion
Management
- Title（参考訳）: ニューラルネットワークによるネットワーク侵入管理手法の実験的検討
- Authors: Mario Di Mauro, Giovanni Galatro, Antonio Liotta
- Abstract要約: 本稿では,侵入検出問題に適用したニューラルネットワーク手法の実験的検討を行う。
私たちは、ディープベースアプローチやウェイトレスニューラルネットワークを含む、侵入検出に関連する最も顕著なニューラルネットワークベースのテクニックの完全なビューを提供します。
我々の評価は、特に最先端のデータセットを使用してモデルのトレーニングを行う場合、ニューラルネットワークの価値を定量化する。
- 参考スコア（独自算出の注目度）: 8.727349339883094
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of Machine Learning (ML) techniques in Intrusion Detection Systems
(IDS) has taken a prominent role in the network security management field, due
to the substantial number of sophisticated attacks that often pass undetected
through classic IDSs. These are typically aimed at recognising attacks based on
a specific signature, or at detecting anomalous events. However, deterministic,
rule-based methods often fail to differentiate particular (rarer) network
conditions (as in peak traffic during specific network situations) from actual
cyber attacks. In this paper we provide an experimental-based review of
neural-based methods applied to intrusion detection issues. Specifically, we i)
offer a complete view of the most prominent neural-based techniques relevant to
intrusion detection, including deep-based approaches or weightless neural
networks, which feature surprising outcomes; ii) evaluate novel datasets
(updated w.r.t. the obsolete KDD99 set) through a designed-from-scratch
Python-based routine; iii) perform experimental analyses including time
complexity and performance (accuracy and F-measure), considering both
single-class and multi-class problems, and identifying trade-offs between
resource consumption and performance. Our evaluation quantifies the value of
neural networks, particularly when state-of-the-art datasets are used to train
the models. This leads to interesting guidelines for security managers and
computer network practitioners who are looking at the incorporation of
neural-based ML into IDS.
- Abstract（参考訳）: 侵入検知システム(IDS)における機械学習(ML)技術の使用は、古典的なIDSを経由しない高度な攻撃がかなり多いため、ネットワークセキュリティ管理分野において顕著な役割を担っている。
これらは通常、特定の署名に基づいて攻撃を認識すること、または異常事象を検出することを目的としている。
しかし、決定論的で規則に基づく手法は、(特定のネットワーク状況におけるピークトラフィックのように)特定の(粗い)ネットワーク条件と実際のサイバー攻撃を区別できないことが多い。
本稿では,侵入検出問題に適用したニューラルネットワーク手法の実験的検討を行う。
具体的には
一 侵入検知に関する最も顕著な神経基盤技術について、深度に基づくアプローチ又は予期せぬ結果を特徴とする無重力神経ネットワークを含む完全なビューを提供すること。
二 新規データセット(旧式のkdd99 セットの更新)をスクラッチなpythonベースのルーチンで評価すること。
三 時間的複雑さ及び性能(正確性及びF尺度)、一級・多級双方の問題、資源消費と性能のトレードオフの特定等の実験的分析を行う。
この評価は、特に最先端のデータセットがモデルのトレーニングに使用される場合、ニューラルネットワークの価値を定量化する。
これにより、IDSへのニューラルベースMLの導入を検討しているセキュリティマネージャやコンピュータネットワーク実践者の興味深いガイドラインが導かれる。
関連論文リスト
- Feature Selection for Network Intrusion Detection [3.7414804164475983]
本稿では,ネットワーク侵入を検出する際に,非情報的特徴の排除を容易にする情報理論を提案する。
提案手法は,ニューラルネットワークを用いた関数近似に基づいて,再帰層を組み込んだアプローチのバージョンを実現する。
論文 参考訳（メタデータ） (2024-11-18T14:25:55Z) - Deep Learning Algorithms Used in Intrusion Detection Systems -- A Review [0.0]
本稿では,CNN,Recurrent Neural Networks(RNN),Deep Belief Networks(DBN),Deep Neural Networks(DNN),Long Short-Term Memory(LSTM),Autoencoders(AE),Multi-Layer Perceptrons(MLP),Self-Normalizing Networks(SNN),Hybrid Model(ネットワーク侵入検知システム)など,近年のディープラーニング技術の進歩について述べる。
論文 参考訳（メタデータ） (2024-02-26T20:57:35Z) - 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) - Leveraging a Probabilistic PCA Model to Understand the Multivariate
Statistical Network Monitoring Framework for Network Security Anomaly
Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。
2つの異なるデータセットを用いて数学的モデルを評価した。
論文 参考訳（メタデータ） (2023-02-02T13:41:18Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T16:38:26Z) - 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) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - Evaluation of Adversarial Training on Different Types of Neural Networks
in Deep Learning-based IDSs [3.8073142980733]
我々は、異なる回避攻撃の有効性と、レジリエンス深層学習に基づくIDSの訓練方法に焦点をあてる。
我々は min-max アプローチを用いて、敵の例に対して頑健なIDSを訓練する問題を定式化する。
異なるディープラーニングアルゴリズムと異なるベンチマークデータセットに関する実験により、敵の訓練に基づくmin-maxアプローチによる防御が、よく知られた5つの敵の攻撃方法に対する堅牢性を向上することを示した。
論文 参考訳（メタデータ） (2020-07-08T23:33:30Z) - A cognitive based Intrusion detection system [0.0]
侵入検知は、コンピュータネットワークのセキュリティを提供する重要なメカニズムの1つである。
本稿では,Deep Neural Network Ans Supportctor Machine Classifierに基づく新しい手法を提案する。
提案手法は, 侵入検知に類似した手法により, より精度良く攻撃を予測できる。
論文 参考訳（メタデータ） (2020-05-19T13:30:30Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳（メタデータ） (2020-01-27T11:21:05Z)
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。