Fugu-MT 論文翻訳(概要): Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural Network

論文の概要: Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural Network

arxiv url: http://arxiv.org/abs/2102.01873v1
Date: Wed, 3 Feb 2021 04:24:34 GMT
ステータス: 処理完了
システム内更新日: 2021-02-04 17:00:55.193203
Title: Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural Network
Title（参考訳）: エッジ検出:ディープニューラルネットワークを用いたエッジ中心ネットワーク侵入検出
Authors: Praneet Singh, Jishnu Jaykumar, Akhil Pankaj, Reshmi Mitra
Abstract要約: エッジノードは、Internet-of-Thingsエンドポイント上の複数のサイバー攻撃を検出するために不可欠である。 DLM技術を用いてエッジノードに対するDoS攻撃を検知する,軽量で高速かつ高精度なEdge-Detectモデルを開発した。
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: Edge nodes are crucial for detection against multitudes of cyber attacks on Internet-of-Things endpoints and is set to become part of a multi-billion industry. The resource constraints in this novel network infrastructure tier constricts the deployment of existing Network Intrusion Detection System with Deep Learning models (DLM). We address this issue by developing a novel light, fast and accurate 'Edge-Detect' model, which detects Distributed Denial of Service attack on edge nodes using DLM techniques. Our model can work within resource restrictions i.e. low power, memory and processing capabilities, to produce accurate results at a meaningful pace. It is built by creating layers of Long Short-Term Memory or Gated Recurrent Unit based cells, which are known for their excellent representation of sequential data. We designed a practical data science pipeline with Recurring Neural Network to learn from the network packet behavior in order to identify whether it is normal or attack-oriented. The model evaluation is from deployment on actual edge node represented by Raspberry Pi using current cybersecurity dataset (UNSW2015). Our results demonstrate that in comparison to conventional DLM techniques, our model maintains a high testing accuracy of 99% even with lower resource utilization in terms of cpu and memory. In addition, it is nearly 3 times smaller in size than the state-of-art model and yet requires a much lower testing time.
Abstract（参考訳）: エッジノードは、internet-of-thingsエンドポイントにおける多種多様なサイバー攻撃の検出に不可欠であり、数十億の産業の一部である。この新しいネットワークインフラストラクチャ層におけるリソース制約は、既存のネットワーク侵入検出システムとディープラーニングモデル(DLM)の展開を制限する。 DLM技術を用いて,エッジノードに対する分散型サービス攻撃を検知する,軽量で高速かつ高精度なEdge-Detectモデルを開発することで,この問題に対処する。私たちのモデルは、リソース制限、すなわち、機能します。低い電力、記憶および処理の機能、意味のあるペースで正確な結果を作り出すため。時系列データの優れた表現で知られるLong Short-Term MemoryまたはGated Recurrent Unitベースセルのレイヤを作成することで構築される。我々はRecurring Neural Networkを用いた実用的なデータサイエンスパイプラインを設計し、ネットワークパケットの動作から学習し、それが正常か攻撃指向かを特定する。モデル評価は、現在のサイバーセキュリティデータセット(UNSW2015)を使用してRaspberry Piで表現された実際のエッジノードへの展開からである。以上の結果から,従来のDLM技術と比較して,資源利用率の低いcpuやメモリにおいても,高い試験精度を99%維持できることが示された。さらに、それは最先端のモデルよりほぼ3倍小さいですが、まだはるかに低いテスト時間を必要とします。

関連論文リスト

A Geometrical Approach to Evaluate the Adversarial Robustness of Deep Neural Networks [52.09243852066406]
対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
論文参考訳（メタデータ） (2023-10-10T09:39:38Z)
Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文参考訳（メタデータ） (2021-10-20T06:15:45Z)
SOME/IP Intrusion Detection using Deep Learning-based Sequential Models in Automotive Ethernet Networks [2.3204135551124407]
侵入検知システムはサイバー攻撃を検出するために広く利用されている。本稿では,SOME/IPプロトコル上でのオフライン侵入検出のための深層学習に基づくシーケンシャルモデルを提案する。
論文参考訳（メタデータ） (2021-08-04T09:58:06Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
A Fully Spiking Hybrid Neural Network for Energy-Efficient Object Detection [6.792495874038191]
エネルギー効率とロバストな物体検出のための完全スパイクハイブリッドニューラルネットワーク(fshnn) ネットワークアーキテクチャは、漏洩統合型ニューロンモデルを用いた畳み込みSNNに基づいている。
論文参考訳（メタデータ） (2021-04-21T18:39:32Z)
Malicious Requests Detection with Improved Bidirectional Long Short-term Memory Neural Networks [8.379440129896548]
我々は、時間的シーケンス分類問題として悪意のある要求を検出する問題を定式化する。我々は,CNN-BiLSTM-CNN(CNN-BiLSTM-CNN)という新しいディープラーニングモデルを提案する。 HTTPデータセットCSIC 2010の実験結果は,提案手法の有効性を実証した。
論文参考訳（メタデータ） (2020-10-26T02:27:44Z)
Neural Compression and Filtering for Edge-assisted Real-time Object Detection in Challenged Networks [8.291242737118482]
我々はディープニューラルネットワーク(DNN)を用いた遠隔物体検出支援エッジコンピューティングに焦点をあてる。無線リンクを介して送信されるデータの量を削減するためのフレームワークを開発する。提案手法は,パラメータ領域における局所演算とエッジ演算の効果的な中間オプションを示す。
論文参考訳（メタデータ） (2020-07-31T03:11:46Z)
EagerNet: Early Predictions of Neural Networks for Computationally Efficient Intrusion Detection [2.223733768286313]
最小限のリソースでネットワーク攻撃を検出するアーキテクチャを提案する。アーキテクチャはバイナリまたはマルチクラスの分類問題に対処でき、ネットワークの精度を予測速度と交換できる。
論文参考訳（メタデータ） (2020-07-27T11:31:37Z)
Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文参考訳（メタデータ） (2020-04-15T06:13:33Z)
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-02-22T14:38:11Z)
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。