論文の概要: CyberLearning: Effectiveness Analysis of Machine Learning Security
Modeling to Detect Cyber-Anomalies and Multi-Attacks
- arxiv url: http://arxiv.org/abs/2104.08080v1
- Date: Sun, 28 Mar 2021 18:47:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 08:04:58.390724
- Title: CyberLearning: Effectiveness Analysis of Machine Learning Security
Modeling to Detect Cyber-Anomalies and Multi-Attacks
- Title(参考訳): CyberLearning: サイバー異常とマルチアタックを検出する機械学習セキュリティモデリングの有効性分析
- Authors: Iqbal H. Sarker
- Abstract要約: サイバーラーニング(CyberLearning)は、相関機能選択による機械学習ベースのサイバーセキュリティモデリングである。
本稿では,異常検出のためのバイナリ分類モデルと,各種サイバー攻撃に対するマルチクラス分類モデルについて考察する。
次に、複数の隠蔽層を考慮した人工知能ニューラルネットワークベースのセキュリティモデルを提案する。
- 参考スコア(独自算出の注目度): 5.672898304129217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting cyber-anomalies and attacks are becoming a rising concern these
days in the domain of cybersecurity. The knowledge of artificial intelligence,
particularly, the machine learning techniques can be used to tackle these
issues. However, the effectiveness of a learning-based security model may vary
depending on the security features and the data characteristics. In this paper,
we present "CyberLearning", a machine learning-based cybersecurity modeling
with correlated-feature selection, and a comprehensive empirical analysis on
the effectiveness of various machine learning based security models. In our
CyberLearning modeling, we take into account a binary classification model for
detecting anomalies, and multi-class classification model for various types of
cyber-attacks. To build the security model, we first employ the popular ten
machine learning classification techniques, such as naive Bayes, Logistic
regression, Stochastic gradient descent, K-nearest neighbors, Support vector
machine, Decision Tree, Random Forest, Adaptive Boosting, eXtreme Gradient
Boosting, as well as Linear discriminant analysis. We then present the
artificial neural network-based security model considering multiple hidden
layers. The effectiveness of these learning-based security models is examined
by conducting a range of experiments utilizing the two most popular security
datasets, UNSW-NB15 and NSL-KDD. Overall, this paper aims to serve as a
reference point for data-driven security modeling through our experimental
analysis and findings in the context of cybersecurity.
- Abstract(参考訳): サイバー異常の検出や攻撃は、近年、サイバーセキュリティの領域で懸念が高まっている。
人工知能の知識、特に機械学習技術は、これらの問題に取り組むのに使用できる。
しかし,学習に基づくセキュリティモデルの有効性は,セキュリティ特性やデータ特性によって異なる可能性がある。
本稿では,特徴選択を関連付けた機械学習に基づくサイバーセキュリティモデリングであるcyberlearningと,各種機械学習に基づくセキュリティモデルの有効性に関する包括的実証分析を行う。
サイバーラーニングモデルでは,異常検出のためのバイナリ分類モデルと,各種サイバー攻撃に対するマルチクラス分類モデルを考慮に入れた。
セキュリティモデルを構築するために,まず,ナイーブベイズ,ロジスティック回帰,確率勾配降下,k-ネアレスト近傍,サポートベクターマシン,決定木,ランダムフォレスト,適応ブースティング,極端な勾配ブースティング,線形判別分析などの10種類の機械学習分類手法を用いた。
次に、複数の隠蔽層を考慮したニューラルネットワークベースのセキュリティモデルを提案する。
これらの学習に基づくセキュリティモデルの有効性を,unsw-nb15とnsl-kddの2つのセキュリティデータセットを用いて検証した。
本稿では,サイバーセキュリティの文脈における実験的分析と発見を通じて,データ駆動型セキュリティモデリングの基準点として機能することを目的とする。
関連論文リスト
- SecurityNet: Assessing Machine Learning Vulnerabilities on Public Models [74.58014281829946]
本研究では, モデル盗難攻撃, メンバーシップ推論攻撃, パブリックモデルにおけるバックドア検出など, いくつかの代表的な攻撃・防御の有効性を解析する。
実験により,これらの攻撃・防御性能は,自己学習モデルと比較して,公共モデルによって大きく異なることが示された。
論文 参考訳(メタデータ) (2023-10-19T11:49:22Z) - DST: Dynamic Substitute Training for Data-free Black-box Attack [79.61601742693713]
そこで本研究では,対象モデルからより高速に学習するための代用モデルの促進を目的とした,新しい動的代用トレーニング攻撃手法を提案する。
タスク駆動型グラフに基づく構造情報学習の制約を導入し、生成したトレーニングデータの質を向上させる。
論文 参考訳(メタデータ) (2022-04-03T02:29:11Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳(メタデータ) (2022-03-25T19:57:19Z) - Poisoning Attacks and Defenses on Artificial Intelligence: A Survey [3.706481388415728]
データ中毒攻撃は、トレーニングフェーズ中にモデルに供給されたデータサンプルを改ざんして、推論フェーズ中にモデルの精度を低下させる攻撃の一種である。
この研究は、この種の攻撃に対処する最新の文献で見つかった最も関連性の高い洞察と発見をまとめたものである。
実環境下での幅広いMLモデルに対するデータ中毒の影響を比較検討し,本研究の徹底的な評価を行った。
論文 参考訳(メタデータ) (2022-02-21T14:43:38Z) - Deep Q-Learning based Reinforcement Learning Approach for Network
Intrusion Detection [1.7205106391379026]
本稿では,Qラーニングに基づく強化学習と,ネットワーク侵入検出のためのディープフィードフォワードニューラルネットワークを併用したネットワーク侵入検出手法を提案する。
提案するDeep Q-Learning(DQL)モデルは,ネットワーク環境に対する継続的な自動学習機能を提供する。
実験の結果,提案したDQLは,異なる侵入クラスを検出し,他の類似した機械学習手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-11-27T20:18:00Z) - Learning to Detect: A Data-driven Approach for Network Intrusion
Detection [17.288512506016612]
ネットワークトラフィックデータセットであるNSL-KDDについて、パターンを可視化し、異なる学習モデルを用いてサイバー攻撃を検出することで包括的な研究を行う。
侵入検知に単一学習モデルアプローチを用いた従来の浅層学習モデルや深層学習モデルとは異なり、階層戦略を採用する。
バイナリ侵入検出タスクにおける教師なし表現学習モデルの利点を実証する。
論文 参考訳(メタデータ) (2021-08-18T21:19:26Z) - Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and
Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。
本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。
我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文 参考訳(メタデータ) (2021-05-14T10:05:10Z) - Explainable Adversarial Attacks in Deep Neural Networks Using Activation
Profiles [69.9674326582747]
本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。
これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
論文 参考訳(メタデータ) (2021-03-18T13:04:21Z) - Learning-Based Vulnerability Analysis of Cyber-Physical Systems [10.066594071800337]
本研究は,サイバー物理システムの脆弱性解析におけるディープラーニングの利用に焦点を当てる。
我々は,低レベル制御が拡張カルマンフィルタ(ekf)や異常検出器(anomaly detector)などに基づくcpsにおいて広く用いられている制御アーキテクチャを考える。
潜在的なセンシング攻撃が持つ影響を分析することを容易にするため、学習可能な攻撃生成器の開発が目的である。
論文 参考訳(メタデータ) (2021-03-10T06:52:26Z) - ML-Doctor: Holistic Risk Assessment of Inference Attacks Against Machine
Learning Models [64.03398193325572]
機械学習(ML)モデルに対する推論攻撃により、敵はトレーニングデータやモデルパラメータなどを学ぶことができる。
私たちは、メンバシップ推論、モデル反転、属性推論、モデル盗難の4つの攻撃に集中しています。
私たちの分析では、MLモデルオーナがモデルをデプロイするリスクを評価することができる、モジュール化された再使用可能なソフトウェアであるML-Doctorに依存しています。
論文 参考訳(メタデータ) (2021-02-04T11:35:13Z) - An Isolation Forest Learning Based Outlier Detection Approach for
Effectively Classifying Cyber Anomalies [2.2628381865476115]
サイバー異常を効果的に分類するためのIsolation Forest Learning-Based Outlier Detection Modelを提案する。
実験の結果,異常値の除去によりサイバー異常の分類精度が向上した。
論文 参考訳(メタデータ) (2020-12-09T05:09:52Z)
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。