論文の概要: deepBF: Malicious URL detection using Learned Bloom Filter and
Evolutionary Deep Learning
- arxiv url: http://arxiv.org/abs/2103.12544v1
- Date: Thu, 18 Mar 2021 21:53:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 01:58:50.368483
- Title: deepBF: Malicious URL detection using Learned Bloom Filter and
Evolutionary Deep Learning
- Title（参考訳）: deepbf: 学習ブルームフィルタと進化的ディープラーニングを用いた悪意のあるurl検出
- Authors: Ripon Patgiri, Anupam Biswas and Sabuzima Nayak
- Abstract要約: 悪意のあるURL検出は、さまざまなシステムの継続的な近代化による新しい研究領域です。
本稿では,DeepBF(Deep Learning and Bloom Filter)と呼ばれる新しい悪意のあるURL検出手法を提案する。
進化的畳み込みニューラルネットワークを用いて悪意のあるURLを識別する。
- 参考スコア（独自算出の注目度）: 5.220940151628734
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Malicious URL detection is an emerging research area due to continuous
modernization of various systems, for instance, Edge Computing. In this
article, we present a novel malicious URL detection technique, called deepBF
(deep learning and Bloom Filter). deepBF is presented in two-fold. Firstly, we
propose a learned Bloom Filter using 2-dimensional Bloom Filter. We
experimentally decide the best non-cryptography string hash function. Then, we
derive a modified non-cryptography string hash function from the selected hash
function for deepBF by introducing biases in the hashing method and compared
among the string hash functions. The modified string hash function is compared
to other variants of diverse non-cryptography string hash functions. It is also
compared with various filters, particularly, counting Bloom Filter, Kirsch
\textit{et al.}, and Cuckoo Filter using various use cases. The use cases
unearth weakness and strength of the filters. Secondly, we propose a malicious
URL detection mechanism using deepBF. We apply the evolutionary convolutional
neural network to identify the malicious URLs. The evolutionary convolutional
neural network is trained and tested with malicious URL datasets. The output is
tested in deepBF for accuracy. We have achieved many conclusions from our
experimental evaluation and results and are able to reach various conclusive
decisions which are presented in the article.
- Abstract（参考訳）: 悪意のあるURL検出は、エッジコンピューティングなど、さまざまなシステムの継続的な近代化による新興の研究分野である。
本稿では,DeepBF(Deep Learning and Bloom Filter)と呼ばれる新しい悪意のあるURL検出手法を提案する。
deepbfは2つに分かれている。
まず, 2次元ブルームフィルタを用いた学習ブルームフィルタを提案する。
最善の非暗号文字列ハッシュ関数を実験的に決定する。
次に,Hash法にバイアスを導入し,文字列ハッシュ関数と比較することにより,選択したDeepBFのハッシュ関数から非暗号化文字列ハッシュ関数を導出する。
修正された文字列ハッシュ関数は、様々な非暗号文字列ハッシュ関数の他の変種と比較される。
また、様々なフィルタ、特に bloom filter, kirsch \textit{et al. と比較される。
さまざまなユースケースを使用したCuckoo Filter。
使用事例はフィルターの弱さと強度を明らかにする。
次に,DeepBFを用いた悪意のあるURL検出機構を提案する。
進化的畳み込みニューラルネットワークを用いて悪意のあるURLを識別する。
進化的畳み込みニューラルネットワークは、悪意のあるURLデータセットでトレーニングされ、テストされる。
出力はDeepBFで正確にテストされる。
実験的な評価と結果から多くの結論が得られており、本記事で提示される様々な決定を下すことができる。
関連論文リスト
- Feature Mining for Encrypted Malicious Traffic Detection with Deep
Learning and Other Machine Learning Algorithms [7.404682407709988]
暗号化メカニズムの人気は、悪意のあるトラフィック検出に大きな課題をもたらします。
従来の検出技術は、暗号化されたトラフィックの復号化なしには機能しない。
本稿では,交通特徴の詳細な分析を行い,現状の交通特徴生成手法の比較を行う。
本稿では,暗号化された不正なトラフィック分析に特化して設計された,暗号化されたトラフィック機能に関する新しい概念を提案する。
論文 参考訳（メタデータ） (2023-04-07T15:25:36Z) - Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。
私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。
ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
論文 参考訳（メタデータ） (2023-02-10T18:50:37Z) - Unrolled Compressed Blind-Deconvolution [77.88847247301682]
sparse multi channel blind deconvolution (S-MBD) はレーダー/ソナー/超音波イメージングなどの多くの工学的応用で頻繁に発生する。
そこで本研究では,受信した全信号に対して,はるかに少ない測定値からブラインドリカバリを可能にする圧縮手法を提案する。
論文 参考訳（メタデータ） (2022-09-28T15:16:58Z) - An Adversarial Attack Analysis on Malicious Advertisement URL Detection
Framework [22.259444589459513]
悪意のある広告URLは、サイバー攻撃の源泉であるため、セキュリティ上のリスクをもたらす。
既存の悪意のあるURL検出技術は制限されており、見えない機能やテストデータの一般化を扱うことができる。
本研究では,新しい語彙・ウェブスクラップ機能群を抽出し,機械学習技術を用いて不正広告URL検出システムを構築する。
論文 参考訳（メタデータ） (2022-04-27T20:06:22Z) - Self-Distilled Hashing for Deep Image Retrieval [25.645550298697938]
ハッシュベースの画像検索システムでは、元の入力から変換された入力は通常、異なるコードを生成する。
本稿では,拡張データの可能性を活用しつつ,相違を最小限に抑えるために,自己蒸留ハッシュ方式を提案する。
また、ハッシュプロキシに基づく類似性学習や、バイナリクロスエントロピーに基づく量子化損失を導入し、高品質なハッシュコードを提供する。
論文 参考訳（メタデータ） (2021-12-16T12:01:50Z) - Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。
本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。
ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
論文 参考訳（メタデータ） (2021-09-20T06:07:14Z) - On the Importance of Encrypting Deep Features [15.340540198612823]
ユーザデータの特徴ベクトルが知られ、推論のためのブラックボックスAPIが提供される。
個人再識別における最先端モデルの実験を行い,2つの攻撃シナリオ(補助属性の認識とユーザデータの再構築)について検討した。
その結果、厳しい制約下であっても、敵は機密情報を推測することに成功した。
論文 参考訳（メタデータ） (2021-08-16T15:22:33Z) - 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) - Deep Reinforcement Learning with Label Embedding Reward for Supervised
Image Hashing [85.84690941656528]
深層型ハッシュのための新しい意思決定手法を提案する。
我々はBose-Chaudhuri-Hocquenghem符号で定義された新しいラベル埋め込み報酬を用いて、深いQ-ネットワークを学ぶ。
我々の手法は、様々なコード長で最先端の教師付きハッシュ法より優れています。
論文 参考訳（メタデータ） (2020-08-10T09:17:20Z) - Targeted Attack for Deep Hashing based Retrieval [57.582221494035856]
本研究では, ディープ・ハッシュ・ターゲット・アタック (DHTA) と呼ばれる新たな手法を提案し, 対象とする攻撃を探索する。
まず、対象の攻撃を点対セットの最適化として定式化し、敵のサンプルのハッシュコードと対象のラベルを持つ対象の集合の平均距離を最小化する。
性能と知覚性のバランスをとるために,摂動に対する$ellinfty$制限の下で,逆例のハッシュコードとアンカーコードとのハミング距離を最小化することを提案する。
論文 参考訳（メタデータ） (2020-04-15T08:36:58Z) - Filter Grafting for Deep Neural Networks [71.39169475500324]
ディープニューラルネットワーク(DNN)の表現能力向上を目的としたフィルタグラフト
我々は,フィルタの情報を測定するエントロピーベースの基準と,ネットワーク間のグラフト情報のバランスをとるための適応重み付け戦略を開発する。
例えば、グラフトされたMobileNetV2は、CIFAR-100データセットで非グラフトされたMobileNetV2を約7%上回っている。
論文 参考訳（メタデータ） (2020-01-15T03:18:57Z)
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。