Fugu-MT 論文翻訳(概要): Ransomware Detection Using Deep Learning in the SCADA System of Electric Vehicle Charging Station

論文の概要: Ransomware Detection Using Deep Learning in the SCADA System of Electric Vehicle Charging Station

arxiv url: http://arxiv.org/abs/2104.07409v1
Date: Thu, 15 Apr 2021 12:13:43 GMT
ステータス: 処理完了
システム内更新日: 2021-04-16 14:44:47.783958
Title: Ransomware Detection Using Deep Learning in the SCADA System of Electric Vehicle Charging Station
Title（参考訳）: 電気自動車充電ステーションのSCADAシステムにおけるディープラーニングを用いたランサムウェア検出
Authors: Manoj Basnet, Subash Poudyal, Mohd. Hasan Ali, Dipankar Dasgupta
Abstract要約: 本論文では,SCADA制御電気自動車充電ステーションにおける深層学習に基づくランサムウェア検出フレームワークを提案する。すべての3深学習ベースのシミュレートフレームワークは、約97%の平均精度(ACC)、曲線下の平均面積(AUC)の98%以上、平均F1スコアを10倍の階層化クロスバリデーションで達成し、平均誤報率(FAR)は1.88%未満です。
参考スコア（独自算出の注目度）: 0.8029049649310213
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Supervisory control and data acquisition (SCADA) systems have been continuously leveraging the evolution of network architecture, communication protocols, next-generation communication techniques (5G, 6G, Wi-Fi 6), and the internet of things (IoT). However, SCADA system has become the most profitable and alluring target for ransomware attackers. This paper proposes the deep learning-based novel ransomware detection framework in the SCADA controlled electric vehicle charging station (EVCS) with the performance analysis of three deep learning algorithms, namely deep neural network (DNN), 1D convolution neural network (CNN), and long short-term memory (LSTM) recurrent neural network. All three-deep learning-based simulated frameworks achieve around 97% average accuracy (ACC), more than 98% of the average area under the curve (AUC), and an average F1-score under 10-fold stratified cross-validation with an average false alarm rate (FAR) less than 1.88%. Ransomware driven distributed denial of service (DDoS) attack tends to shift the SOC profile by exceeding the SOC control thresholds. The severity has been found to increase as the attack progress and penetration increases. Also, ransomware driven false data injection (FDI) attack has the potential to damage the entire BES or physical system by manipulating the SOC control thresholds. It's a design choice and optimization issue that a deep learning algorithm can deploy based on the tradeoffs between performance metrics.
Abstract（参考訳）: Supervisory Control and Data acquisition (SCADA) システムは、ネットワークアーキテクチャ、通信プロトコル、次世代通信技術(5G、6G、Wi-Fi 6)、モノのインターネット(IoT)の進化を継続的に活用している。しかし、SCADAシステムはランサムウェア攻撃者にとって最も利益があり、順調なターゲットとなっている。本稿では,Deep Neural Network (DNN), 1D Convolution Neural Network (CNN), long short-term memory (LSTM) Recurrent Neural Networkの3つのディープラーニングアルゴリズムの性能解析により,SCADA制御電気自動車充電ステーション(EVCS)におけるディープラーニングに基づく新しいランサムウェア検出フレームワークを提案する。 3つの深層学習に基づくシミュレーションフレームワークはすべて、平均精度(acc)97%、曲線下平均領域(auc)の98%以上、平均的な偽アラームレート(far)が1.88%未満の10倍の階層的クロスバリデーション下の平均f1-scoreを達成している。ランサムウェアによる分散型サービス拒否(DDoS)攻撃は、SOC制御閾値を超えることによってSOCプロファイルをシフトする傾向にある。攻撃の進行と侵入が増加するにつれて重症度が増加することが判明した。また、ランサムウェア駆動の偽データ注入(FDI)攻撃は、SOC制御閾値を操作することで、BESまたは物理システム全体にダメージを与える可能性がある。これは、ディープラーニングアルゴリズムがパフォーマンスメトリクス間のトレードオフに基づいてデプロイできる設計上の選択と最適化の問題です。

関連論文リスト

FedMSE: Federated learning for IoT network intrusion detection [0.0]
IoTの台頭によりサイバー攻撃面が拡大し、データ可用性、計算リソース、転送コスト、特にプライバシ保護に関する懸念から、従来の集中型機械学習手法が不十分になった。 Shrink AutoencoderとCentroid One-class Classifier(SAE-CEN)を組み合わせた半教師付きフェデレーション学習モデルを開発した。このアプローチは,通常のネットワークデータを効果的に表現し,分散戦略における異常を正確に識別することにより侵入検知性能を向上させる。
論文参考訳（メタデータ） (2024-10-18T02:23:57Z)
Enhanced Convolution Neural Network with Optimized Pooling and Hyperparameter Tuning for Network Intrusion Detection [0.0]
ネットワーク侵入検知システム(NIDS)のための拡張畳み込みニューラルネットワーク(EnCNN)を提案する。我々はEnCNNと、ロジスティック回帰、決定木、サポートベクトルマシン(SVM)、ランダムフォレスト、AdaBoost、Votting Ensembleといったアンサンブル手法など、さまざまな機械学習アルゴリズムを比較した。その結果,EnCNNは検出精度を大幅に向上し,最先端アプローチよりも10%向上した。
論文参考訳（メタデータ） (2024-09-27T11:20:20Z)
Deep learning approach for interruption attacks detection in LEO satellite networks [0.0]
本研究の目的は、深層学習アルゴリズムを用いた低地球軌道(textsfLEO)衛星ネットワークの割り込み検出戦略を提供することである。我々は、MLP(Multi Layer Perceptron)、CNN(Convolutional Neural Network)、RNN(Recurrent Neural Network)、Gated Recurrent Units(GRU)など、さまざまなディープラーニングアルゴリズムをテストする。
論文参考訳（メタデータ） (2022-12-10T21:21:14Z)
NetSentry: A Deep Learning Approach to Detecting Incipient Large-scale Network Attacks [9.194664029847019]
ネットワーク侵入検出(NID)における機械学習の原理的利用法を示す。我々は、Bi-ALSTMをベースとした、おそらく最初のNIDSであるNetSentryを提案する。 XSSやWeb bruteforceなどの攻撃検出率を最大3倍に向上させるとともに、最先端技術よりもF1スコアが33%以上上昇することが実証された。
論文参考訳（メタデータ） (2022-02-20T17:41:02Z)
SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文参考訳（メタデータ） (2021-10-01T23:01:20Z)
TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack [46.79557381882643]
本稿では,TANTRA(Adversarial Network Traffic Reshaping Attack)を提案する。我々の回避攻撃は、ターゲットネットワークの良性パケット間の時間差を学習するために訓練された長い短期記憶(LSTM)ディープニューラルネットワーク(DNN)を利用する。 TANTRAは、ネットワーク侵入検出システム回避の平均成功率99.99%を達成します。
論文参考訳（メタデータ） (2021-03-10T19:03:38Z)
Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文参考訳（メタデータ） (2020-10-22T12:32:29Z)
Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。 DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。 300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文参考訳（メタデータ） (2020-07-17T08:32:11Z)
Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文参考訳（メタデータ） (2020-05-04T17:41:59Z)
Machine Learning based Anomaly Detection for 5G Networks [0.0]
本稿では,SDS(Software Defined Security)を,自動化,柔軟性,スケーラブルなネットワーク防御システムとして提案する。 SDSは機械学習の現在の進歩を活用して、NAS(Neural Architecture Search)を使用してCNN(Convolutional Neural Network)を設計し、異常なネットワークトラフィックを検出する。
論文参考訳（メタデータ） (2020-03-07T00:17:08Z)
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。