論文の概要: A Graph Neural Network Approach for Scalable and Dynamic IP Similarity in Enterprise Networks

• arxiv url: http://arxiv.org/abs/2010.04777v1
• Date: Fri, 9 Oct 2020 19:43:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 06:24:03.229266
• Title: A Graph Neural Network Approach for Scalable and Dynamic IP Similarity in Enterprise Networks
• Title（参考訳）: エンタープライズネットワークにおけるスケーラブルおよび動的IP類似性のためのグラフニューラルネットワークアプローチ
• Authors: Hazem M. Soliman and Geoff Salmon and Dusan Sovilij and Mohan Rao
• Abstract要約: IPアドレス間の類似性を測定することは、企業ネットワークの日々の運用において重要な課題である。 本稿では,適応型グラフニューラルネットワーク(GNN)アーキテクチャを用いた新しいIP埋め込み手法を提案する。
• 参考スコア（独自算出の注目度）: 1.6516902135723865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Measuring similarity between IP addresses is an important task in the daily operations of any enterprise network. Applications that depend on an IP similarity measure include measuring correlation between security alerts, building baselines for behavioral modelling, debugging network failures and tracking persistent attacks. However, IPs do not have a natural similarity measure by definition. Deep Learning architectures are a promising solution here since they are able to learn numerical representations for IPs directly from data, allowing various distance measures to be applied on the calculated representations. Current works have utilized Natural Language Processing (NLP) techniques for learning IP embeddings. However, these approaches have no proper way to handle out-of-vocabulary (OOV) IPs not seen during training. In this paper, we propose a novel approach for IP embedding using an adapted graph neural network (GNN) architecture. This approach has the advantages of working on the raw data, scalability and, most importantly, induction, i.e. the ability to measure similarity between previously unseen IPs. Using data from an enterprise network, our approach is able to identify similarities between local DNS servers and root DNS servers even though some of these machines are never encountered during the training phase.
• Abstract（参考訳）: IPアドレス間の類似性を測定することは、企業ネットワークの日々の運用において重要な課題である。 IP類似度尺度に依存するアプリケーションは、セキュリティアラート間の相関測定、振る舞いモデリングのベースラインの構築、ネットワーク障害のデバッグ、永続的な攻撃の追跡などである。 しかし、IPは定義によって自然な類似度尺度を持たない。 ディープラーニングアーキテクチャは、データから直接IPの数値表現を学習することができ、計算された表現に様々な距離測度を適用できるので、有望なソリューションである。 現在の研究は、IP埋め込みの学習に自然言語処理(NLP)技術を利用している。 しかし、これらのアプローチはトレーニング中に見られないOoV(out-of-vocabulary)IPを扱う適切な方法を持たない。 本稿では,適応型グラフニューラルネットワーク(GNN)アーキテクチャを用いた新しいIP埋め込み手法を提案する。 このアプローチには、生のデータ、スケーラビリティ、そして最も重要なインダクション、すなわち、これまで見つからなかったIP間の類似性を計測できるという利点がある。 企業ネットワークのデータを利用することで、トレーニングフェーズで遭遇することのないマシンが存在する場合でも、ローカルdnsサーバとルートdnsサーバの類似性を識別することができる。

関連論文リスト

• Identification of Device Dependencies Using Link Prediction [0.05461938536945722]
  グラフベース機械学習に基づく新しいアプローチを用いて,依存関係の識別に対処する。 この手法は、コンピュータネットワークの通信グラフの潜在表現に基づくリンク予測に属する。 ネットワーク依存に課される時間条件を満たすIPアドレスをランダムにウォーキングする。
  論文  参考訳（メタデータ） (2024-07-03T11:28:09Z)
• Backdoor Attack Detection in Computer Vision by Applying Matrix Factorization on the Weights of Deep Networks [6.44397009982949]
  本稿では,事前訓練したDNNの重みから特徴を抽出するバックドア検出手法を提案する。 他の検出技術と比較して、これはトレーニングデータを必要としないなど、多くのメリットがある。 提案手法は, 競合するアルゴリズムよりも効率性が高く, より正確であり, 深層学習とAIの安全な適用を確実にするのに役立つ。
  論文  参考訳（メタデータ） (2022-12-15T20:20:18Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Sparse Implicit Processes for Approximate Inference [0.0]
  インプリシットプロセス(IP)は、ベイズニューラルネットワーク、ニューラルネットワーク、ニューラルネットワーク、データジェネレータなどのモデルを記述するフレキシブルなプリエントである。 本稿では,先行IPと近似後IPのパラメータを同時に調整する手法を提案する。 その結果,従来のIPパラメータをデータに調整し,ガウス的でない正確な予測分布を提供する,IPを近似推論するためのスケーラブルな手法が得られた。
  論文  参考訳（メタデータ） (2021-10-14T18:00:04Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Towards Sample Efficient Agents through Algorithmic Alignment [25.23741737716188]
  我々は深層グラフ価値ネットワーク(DeepGV)を,深部強化学習エージェントのサンプル複雑性を回避するための有望な手法として提案し,検討する。 主な考え方は、エージェントは動的プログラミングのような構造化された非神経ネットワークアルゴリズムでガイドされるべきである。
  論文  参考訳（メタデータ） (2020-08-07T15:44:32Z)
• File Classification Based on Spiking Neural Networks [0.5065947993017157]
  スパイクニューラルネットワーク(SNN)に基づく大規模データセットにおけるファイル分類システムを提案する。 提案システムは、推論タスクに対する古典的機械学習アルゴリズムの代替として有効なものである可能性がある。
  論文  参考訳（メタデータ） (2020-04-08T11:50:29Z)

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。