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
- New Emerged Security and Privacy of Pre-trained Model: a Survey and Outlook [54.24701201956833]
セキュリティとプライバシーの問題は、事前訓練されたモデルに対するユーザーの信頼を損なう。
現在の文献は、事前訓練されたモデルに対する攻撃と防御の明確な分類を欠いている。
この分類法は、攻撃と防御をNo-Change、Input-Change、Model-Changeアプローチに分類する。
論文 参考訳（メタデータ） (2024-11-12T10:15:33Z) - Model-agnostic clean-label backdoor mitigation in cybersecurity environments [6.857489153636145]
近年の研究では、セキュリティ分類タスク用に設計されたモデルにバックドアを注入する、一連の悪質な訓練時間攻撃が表面化している。
我々は、サイバーセキュリティ脅威モデルの洞察を活用して、これらのクリーンラベル中毒攻撃を効果的に軽減する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-07-11T03:25:40Z) - Evaluating Predictive Models in Cybersecurity: A Comparative Analysis of Machine and Deep Learning Techniques for Threat Detection [0.0]
本稿では、さまざまな機械学習モデルとディープラーニングモデルを比較して、サイバーセキュリティリスクの検出と対策に最適なモデルを選択する。
この2つのデータセットは、Naive Bayes、SVM、Random Forest、ディープラーニングアーキテクチャ(VGG16)などのモデルを評価するために、精度、精度、リコール、F1スコアのコンテキストで使用される。
論文 参考訳（メタデータ） (2024-07-08T15:05:59Z) - An Approach to Abstract Multi-stage Cyberattack Data Generation for ML-Based IDS in Smart Grids [2.5655761752240505]
スマートグリッドにおける機械学習モデルを学習するためのグラフベースアプローチを用いて合成データを生成する手法を提案する。
我々は、グラフ定式化によって定義された多段階サイバー攻撃の抽象形式を使用し、ネットワーク内の攻撃の伝播挙動をシミュレートする。
論文 参考訳（メタデータ） (2023-12-21T11:07:51Z) - 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) - 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) - 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。