論文の概要: On Improving Deep Learning Trace Analysis with System Call Arguments
- arxiv url: http://arxiv.org/abs/2103.06915v1
- Date: Thu, 11 Mar 2021 19:26:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-15 13:12:37.171824
- Title: On Improving Deep Learning Trace Analysis with System Call Arguments
- Title(参考訳): システムコール引数を用いた深層学習トレース解析の改良について
- Authors: Quentin Fournier, Daniel Aloise, Seyed Vahid Azhari, and Fran\c{c}ois
Tetreault
- Abstract要約: カーネルトレースは名前と複数の引数からなる低レベルのイベントのシーケンスである。
埋め込みとエンコーディングの両方を用いて、イベント名の表現と引数を学習するための一般的なアプローチを導入する。
- 参考スコア(独自算出の注目度): 1.3299507495084417
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Kernel traces are sequences of low-level events comprising a name and
multiple arguments, including a timestamp, a process id, and a return value,
depending on the event. Their analysis helps uncover intrusions, identify bugs,
and find latency causes. However, their effectiveness is hindered by omitting
the event arguments. To remedy this limitation, we introduce a general approach
to learning a representation of the event names along with their arguments
using both embedding and encoding. The proposed method is readily applicable to
most neural networks and is task-agnostic. The benefit is quantified by
conducting an ablation study on three groups of arguments: call-related,
process-related, and time-related. Experiments were conducted on a novel web
request dataset and validated on a second dataset collected on pre-production
servers by Ciena, our partnering company. By leveraging additional information,
we were able to increase the performance of two widely-used neural networks, an
LSTM and a Transformer, by up to 11.3% on two unsupervised language modelling
tasks. Such tasks may be used to detect anomalies, pre-train neural networks to
improve their performance, and extract a contextual representation of the
events.
- Abstract(参考訳): カーネルトレースは、イベントに応じてタイムスタンプ、プロセスID、返却値を含む、名前と複数の引数で構成される低レベルのイベントのシーケンスである。
彼らの分析は侵入の発見、バグの特定、遅延の原因の発見に役立つ。
しかし、その効果はイベント引数を省略することで妨げられる。
この制限を緩和するために、埋め込みとエンコーディングの両方を用いてイベント名の表現と引数を学習する一般的なアプローチを導入する。
提案手法は,ほとんどのニューラルネットワークに適用可能であり,タスクに依存しない。
この利点は、呼び出し関連、プロセス関連、および時間関連の3つの議論に関するアブレーション研究を行うことによって定量化される。
実験は、新しいwebリクエストデータセット上で行われ、当社のパートナー企業であるcienaがプレプロダクションサーバに収集した2番目のデータセット上で検証しました。
追加情報を利用することで、2つの教師なし言語モデリングタスクにおいて、LSTMとTransformerの2つの広く使用されているニューラルネットワークのパフォーマンスを最大11.3%向上することができた。
このようなタスクは、異常の検出、ニューラルネットワークの事前トレーニング、パフォーマンス向上、イベントのコンテキスト表現の抽出に使用することができる。
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) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳(メタデータ) (2024-01-01T10:20:01Z) - Deception Detection from Linguistic and Physiological Data Streams Using Bimodal Convolutional Neural Networks [19.639533220155965]
本稿では,畳み込み型ニューラルネットワークのマルチモーダルな騙し検出への応用について検討する。
2つのトピックについて104人の被験者にインタビューして構築したデータセットを使用します。
論文 参考訳(メタデータ) (2023-11-18T02:44:33Z) - Provable Multi-Task Representation Learning by Two-Layer ReLU Neural Networks [69.38572074372392]
本稿では,複数タスクにおける非線形モデルを用いたトレーニング中に特徴学習が発生することを示す最初の結果を示す。
私たちのキーとなる洞察は、マルチタスク事前トレーニングは、通常タスク間で同じラベルを持つポイントを整列する表現を好む擬似コントラスト的損失を誘導するということです。
論文 参考訳(メタデータ) (2023-07-13T16:39:08Z) - Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。
まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。
最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
論文 参考訳(メタデータ) (2023-07-01T13:53:14Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳(メタデータ) (2022-09-26T17:59:58Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。
我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
論文 参考訳(メタデータ) (2021-09-13T20:50:37Z) - Total Recall: a Customized Continual Learning Method for Neural Semantic
Parsers [38.035925090154024]
ニューラルセマンティックは、以前のタスクから完全なトレーニングデータにアクセスすることなく、シーケンシャルにタスクを学習する。
本稿では,2つの側面からニューラルセマンティクスを学習するための連続学習手法であるTotalRecallを提案する。
我々は,TotalRecallで訓練したニューラルネットワークセマンティクスが,SOTA連続学習アルゴリズムで直接訓練したセマンティクスよりも優れた性能を達成し,スクラッチからのトレーニングに比べて3~6倍の高速化を実現することを示した。
論文 参考訳(メタデータ) (2021-09-11T04:33:28Z) - Leveraging Multi-domain, Heterogeneous Data using Deep Multitask
Learning for Hate Speech Detection [21.410160004193916]
畳み込みニューラルネットワークに基づくマルチタスク学習モデル(MTL)フットノートコードを提案し,複数のソースからの情報を活用する。
3つのベンチマークデータセットで実施した実証分析は,提案手法の有効性を示す。
論文 参考訳(メタデータ) (2021-03-23T09:31:01Z) - Joint Event Extraction along Shortest Dependency Paths using Graph
Convolutional Networks [18.983377030545128]
イベント抽出は、知識ベース、質問応答、情報検索、要約といったいくつかの領域に有用である。
テキストからイベント情報を抽出する問題は長続きし、通常、精巧に設計された語彙的・構文的特徴に依存している。
本稿では,複数のイベントトリガと引数を同時に抽出することを目的とした,新しいイベント抽出フレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-19T07:48:38Z)
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。