論文の概要: On the Usage of Generative Models for Network Anomaly Detection in Multivariate Time-Series

• arxiv url: http://arxiv.org/abs/2010.08286v1
• Date: Fri, 16 Oct 2020 10:22:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 20:38:40.063452
• Title: On the Usage of Generative Models for Network Anomaly Detection in Multivariate Time-Series
• Title（参考訳）: 多変量時系列におけるネットワーク異常検出のための生成モデルの利用について
• Authors: Gast\'on Garc\'ia Gonz\'alez, Pedro Casas, Alicia Fern\'andez, and Gabriel G\'omez
• Abstract要約: 本稿では,時系列におけるネットワーク異常検出の新しい手法であるNet-GANを紹介する。 我々は、生成モデルの背後にある概念を利用して、Net-GANの補完的アプローチであるNet-VAEを考案する。 我々は,IoTセンサデータにおける異常検出,ネットワーク計測における侵入検出など,異なる監視シナリオにおけるNet-GANとNet-VAEを評価した。
• 参考スコア（独自算出の注目度）: 3.1790432590377242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the many attempts and approaches for anomaly detection explored over the years, the automatic detection of rare events in data communication networks remains a complex problem. In this paper we introduce Net-GAN, a novel approach to network anomaly detection in time-series, using recurrent neural networks (RNNs) and generative adversarial networks (GAN). Different from the state of the art, which traditionally focuses on univariate measurements, Net-GAN detects anomalies in multivariate time-series, exploiting temporal dependencies through RNNs. Net-GAN discovers the underlying distribution of the baseline, multivariate data, without making any assumptions on its nature, offering a powerful approach to detect anomalies in complex, difficult to model network monitoring data. We further exploit the concepts behind generative models to conceive Net-VAE, a complementary approach to Net-GAN for network anomaly detection, based on variational auto-encoders (VAE). We evaluate Net-GAN and Net-VAE in different monitoring scenarios, including anomaly detection in IoT sensor data, and intrusion detection in network measurements. Generative models represent a promising approach for network anomaly detection, especially when considering the complexity and ever-growing number of time-series to monitor in operational networks.
• Abstract（参考訳）: 長年にわたって研究されてきた異常検出の試みやアプローチにもかかわらず、データ通信ネットワークにおけるまれな事象の自動検出は依然として複雑な問題である。 本稿では,リカレントニューラルネットワーク(RNN)とGAN(Generative Adversarial Network)を用いて,時系列におけるネットワーク異常検出の新しいアプローチであるNet-GANを紹介する。 従来は単変量測定に重点を置いていた技術と異なり、Net-GANは多変量時系列における異常を検出し、RNNを通して時間的依存関係を利用する。 net-ganはベースラインである多変量データの分散を、その性質を仮定することなく発見し、複雑なネットワーク監視データのモデル化が難しいネットワーク異常を検出する強力なアプローチを提供する。 さらに、ネットワーク異常検出のためのNet-GANの補完的アプローチであるNet-VAEを可変オートエンコーダ(VAE)に基づいて、生成モデルの背後にある概念を活用する。 我々は,IoTセンサデータの異常検出やネットワーク計測における侵入検出など,さまざまな監視シナリオにおいてNet-GANとNet-VAEを評価する。 生成モデルはネットワーク異常検出に有望なアプローチであり、特に運用ネットワークで監視する複雑さと継続する時系列数を考慮すればよい。

関連論文リスト

• CESNET-TimeSeries24: Time Series Dataset for Network Traffic Anomaly Detection and Forecasting [0.0]
  本書では,ネットワークエンティティの動作の時系列データを構成するデータセットを紹介する。 データセットは、275万のアクティブIPアドレスの40週間のネットワークトラフィックから作成されました。 予測に基づく異常検出アプローチの実践的展開に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-27T16:10:11Z)
• ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN [0.9065034043031667]
  時系列データの異常検出は、製造、医療画像、サイバーセキュリティといった様々な領域で一般的な問題である。 近年,GAN(Generative Adversarial Networks)は時系列データの異常検出に有効であることが示されている。 本稿では,ALGAN(Adjusted-LSTM GAN)と呼ばれる新しいGANモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-13T02:17:19Z)
• Generalization and Estimation Error Bounds for Model-based Neural Networks [78.88759757988761]
  スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。 我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
  論文  参考訳（メタデータ） (2023-04-19T16:39:44Z)
• 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 in dynamic networks [0.38233569758620045]
  特徴量に基づくネットワーク異常検出手法である textitoddnet を導入する。 合成および実世界のデータセットにおける奇数ネットの有効性を実証する。
  論文  参考訳（メタデータ） (2022-10-13T23:02:56Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• Federated Variational Learning for Anomaly Detection in Multivariate Time Series [13.328883578980237]
  本稿では,非教師付き時系列異常検出フレームワークを提案する。 我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。 3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
  論文  参考訳（メタデータ） (2021-08-18T22:23:15Z)
• 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)
• Few-shot Network Anomaly Detection via Cross-network Meta-learning [45.8111239825361]
  GDN(Graph Deviation Networks)という新しいタイプのグラフニューラルネットワークを提案します。 GDNは少数のラベル付き異常を利用して、ネットワーク上の異常ノードと正常ノードの間に統計的に有意なずれを生じさせる。 提案したGDNを新しいクロスネットワークメタラーニングアルゴリズムで実装し,マルチショットネットワーク異常検出を実現した。
  論文  参考訳（メタデータ） (2021-02-22T16:42:37Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。