論文の概要: Anomaly Detection Support Using Process Classification
- arxiv url: http://arxiv.org/abs/2101.05371v1
- Date: Wed, 13 Jan 2021 22:22:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 07:50:33.625644
- Title: Anomaly Detection Support Using Process Classification
- Title(参考訳): プロセス分類を用いた異常検出支援
- Authors: Sebastian Eresheim, Lukas Daniel Klausner, Patrick Kochberger
- Abstract要約: 異常検出システムは異常をスキャンする際に多くの情報を考慮する必要がある。
システムイベントのようなデータは、それらが生み出すプログラムに割り当てられる必要があります。
本稿では,これらのシステムイベントの発生の原因となったプログラムの動作を,システムイベントのリストから推測できるかどうかを検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection systems need to consider a lot of information when scanning
for anomalies. One example is the context of the process in which an anomaly
might occur, because anomalies for one process might not be anomalies for a
different one. Therefore data -- such as system events -- need to be assigned
to the program they originate from. This paper investigates whether it is
possible to infer from a list of system events the program whose behavior
caused the occurrence of these system events. To that end, we model transition
probabilities between non-equivalent events and apply the $k$-nearest neighbors
algorithm. This system is evaluated on non-malicious, real-world data using
four different evaluation scores. Our results suggest that the approach
proposed in this paper is capable of correctly inferring program names from
system events.
- Abstract(参考訳): 異常検出システムは異常をスキャンする際に多くの情報を考慮する必要がある。
例えば、あるプロセスの異常は別のプロセスの異常ではないかもしれないため、異常が発生する可能性があるプロセスのコンテキストである。
したがって、システムイベントのようなデータは、それらが発するプログラムに割り当てられる必要がある。
本稿では,これらのシステムイベントの発生の原因となったプログラムの動作を,システムイベントのリストから推測できるかどうかを検討する。
そのため、等価でないイベント間の遷移確率をモデル化し、$k$-nearest neighborsアルゴリズムを適用する。
このシステムは4つの異なる評価スコアを用いて,非現実的な実世界データを用いて評価される。
本稿では,システムイベントからプログラム名を正しく推測する手法を提案する。
関連論文リスト
- Anomaly Correction of Business Processes Using Transformer Autoencoder [0.0]
トランスフォーマーオートエンコーダに基づく業務プロセス異常訂正手法を提案する。
自己アテンション機構とオートエンコーダ構造を用いることで、任意の長さのイベントシーケンスを効率的に処理することができる。
いくつかの実生活イベントログの実験結果から,提案手法は従来手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-04-16T01:45:18Z) - Detecting Anomalous Events in Object-centric Business Processes via
Graph Neural Networks [55.583478485027]
本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。
まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。
次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
論文 参考訳(メタデータ) (2024-02-14T14:17:56Z) - A Comprehensive Survey on Rare Event Prediction [1.6385815610837167]
希少なイベント予測では、機械学習(ML)とデータ分析を使用して、低い確率でイベントを特定し、予測する。
本稿は,現状の文献のギャップを把握し,稀な事象を予測することの課題を明らかにすることを目的とする。
論文 参考訳(メタデータ) (2023-09-20T14:36:57Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳(メタデータ) (2023-04-21T02:20:24Z) - Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。
本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。
AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
論文 参考訳(メタデータ) (2023-04-02T08:23:20Z) - Power System Anomaly Detection and Classification Utilizing WLS-EKF
State Estimation and Machine Learning [0.0]
電力系統の状態推定は様々な種類の異常に直面している。
これらは、粗大な測定エラーや通信システム障害によって引き起こされる悪いデータを含むかもしれない。
電力グリッドをサイバー物理システムとして考えると、状態推定は偽のデータ注入攻撃に対して脆弱になる。
論文 参考訳(メタデータ) (2022-09-26T12:24:59Z) - Avoiding Post-Processing with Event-Based Detection in Biomedical
Signals [69.34035527763916]
学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。
イベントベースのモデリング(後処理なし)は、広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。
論文 参考訳(メタデータ) (2022-09-22T13:44:13Z) - Recomposition vs. Prediction: A Novel Anomaly Detection for Discrete
Events Based On Autoencoder [5.781280693720236]
侵入検知の分野で最も難しい問題の1つは、離散イベントログの異常検出である。
離散イベントログのDeep Autoencoderベースの異常検出手法であるDabLogを提案する。
解析(符号化)と再構成(復号化)により、シーケンスが正常または異常かどうかを判定します。
論文 参考訳(メタデータ) (2020-12-27T16:31:05Z) - Multi-Scale One-Class Recurrent Neural Networks for Discrete Event
Sequence Anomaly Detection [63.825781848587376]
本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。
具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
論文 参考訳(メタデータ) (2020-08-31T04:48:22Z) - A Background-Agnostic Framework with Adversarial Training for Abnormal
Event Detection in Video [120.18562044084678]
近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。
通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-27T18:39:24Z)
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。