論文の概要: Efficient Intrusion Detection Using Evidence Theory

• arxiv url: http://arxiv.org/abs/2103.08585v1
• Date: Mon, 15 Mar 2021 17:54:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-16 13:47:21.639770
• Title: Efficient Intrusion Detection Using Evidence Theory
• Title（参考訳）: エビデンス理論を用いた効率的な侵入検出
• Authors: Islam Debicha, Thibault Debatty, Wim Mees and Jean-Michel Dricot
• Abstract要約: 侵入検知システム(IDS)は、コンピュータやネットワークの安全に関して重要な要素となっている。 本稿では,情報源の信頼性と正常行動と異常行動の識別能力に基づく新しい文脈割引手法を提案する。
• 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: Intrusion Detection Systems (IDS) are now an essential element when it comes to securing computers and networks. Despite the huge research efforts done in the field, handling sources' reliability remains an open issue. To address this problem, this paper proposes a novel contextual discounting method based on sources' reliability and their distinguishing ability between normal and abnormal behavior. Dempster-Shafer theory, a general framework for reasoning under uncertainty, is used to construct an evidential classifier. The NSL-KDD dataset, a significantly revised and improved version of the existing KDDCUP'99 dataset, provides the basis for assessing the performance of our new detection approach. While giving comparable results on the KDDTest+ dataset, our approach outperformed some other state-of-the-art methods on the KDDTest-21 dataset which is more challenging.
• Abstract（参考訳）: 侵入検知システム(IDS)は、コンピュータやネットワークの安全に関して重要な要素となっている。 この分野で行われている膨大な研究努力にもかかわらず、ソースの信頼性は依然としてオープンな問題です。 そこで本論文では, ソースの信頼性と, 正常行動と異常行動の区別能力に基づいて, 新たなコンテキストディスカウント手法を提案する。 不確実性の下で推論する一般的な枠組みであるデンプスター・シェーファー理論は、証明的分類器を構成するために用いられる。 既存のKDDCUP'99データセットの大幅な改訂と改善版であるNSL-KDDデータセットは、新しい検出アプローチのパフォーマンスを評価する基礎を提供します。 KDDTest+データセットに匹敵する結果を与える一方で、私たちのアプローチはKDDTest-21データセットの他の最先端のメソッドよりも優れています。

関連論文リスト

• What If the Input is Expanded in OOD Detection? [77.37433624869857]
  Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。 In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。 入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
  論文  参考訳（メタデータ） (2024-10-24T06:47:28Z)
• Trustworthy Intrusion Detection: Confidence Estimation Using Latent Space [7.115540429006041]
  侵入検知システム(IDS)における異常検出の信頼性向上のための新しい手法を提案する。 遅延空間表現に基づく信頼度尺度の開発により,サイバー攻撃に対するIDS予測の信頼性向上を目指す。 NSL-KDDデータセットの適用により,通常のネットワークアクティビティと悪意のあるネットワークアクティビティを効果的に区別するバイナリ分類タスクに焦点をあてる。
  論文  参考訳（メタデータ） (2024-09-19T08:09:44Z)
• FedAD-Bench: A Unified Benchmark for Federated Unsupervised Anomaly Detection in Tabular Data [11.42231457116486]
  FedAD-Benchは、フェデレート学習の文脈における教師なし異常検出アルゴリズムを評価するためのベンチマークである。 モデル集約の非効率性やメトリクスの不確実性といった重要な課題を特定します。 本研究は,フェデレートされた異常検出における今後の研究・開発を導くための標準化されたベンチマークを確立することを目的としている。
  論文  参考訳（メタデータ） (2024-08-08T13:14:19Z)
• Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
  オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。 既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。 アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-03-19T18:57:53Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• On Pitfalls of Test-Time Adaptation [82.8392232222119]
  TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。 TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
  論文  参考訳（メタデータ） (2023-06-06T09:35:29Z)
• Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
  我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-21T08:45:08Z)
• Benchmarking Unsupervised Anomaly Detection and Localization [22.54926506414486]
  本稿では,教師なし異常検出および局所化タスクの性能について,13の論文を広範囲に比較する。 本稿では,新しいMVTec 3D-ADデータセットの提案を踏まえ,既存の最先端2D手法を用いた実験を行った。
  論文  参考訳（メタデータ） (2022-05-30T04:57:25Z)
• Decomposed Adversarial Learned Inference [118.27187231452852]
  我々は,DALI(Decomposed Adversarial Learned Inference)という新しいアプローチを提案する。 DALIは、データ空間とコード空間の両方の事前および条件分布を明示的に一致させる。 MNIST, CIFAR-10, CelebAデータセットにおけるDALIの有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-21T20:00:35Z)
• Regularized Cycle Consistent Generative Adversarial Network for Anomaly Detection [5.457279006229213]
  本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。 実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-01-18T03:35:05Z)

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。