論文の概要: Improving Botnet Detection with Recurrent Neural Network and Transfer
Learning
- arxiv url: http://arxiv.org/abs/2104.12602v1
- Date: Mon, 26 Apr 2021 14:05:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 14:17:59.785227
- Title: Improving Botnet Detection with Recurrent Neural Network and Transfer
Learning
- Title（参考訳）: リカレントニューラルネットワークと転送学習によるボットネット検出の改善
- Authors: Jeeyung Kim, Alex Sim, Jinoh Kim, Kesheng Wu, Jaegyoon Hahm
- Abstract要約: ボットネット検出は、ボットネットの拡散を防ぎ、悪意のある活動を防ぐための重要なステップである。
機械学習(ML)を用いた最近のアプローチでは、以前のアプローチよりもパフォーマンスが向上した。
Recurrent Variational Autoencoder (RVAE) を用いた新しいボットネット検出法を提案する。
- 参考スコア（独自算出の注目度）: 5.602292536933117
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Botnet detection is a critical step in stopping the spread of botnets and
preventing malicious activities. However, reliable detection is still a
challenging task, due to a wide variety of botnets involving ever-increasing
types of devices and attack vectors. Recent approaches employing machine
learning (ML) showed improved performance than earlier ones, but these ML-
based approaches still have significant limitations. For example, most ML
approaches can not incorporate sequential pattern analysis techniques key to
detect some classes of botnets. Another common shortcoming of ML-based
approaches is the need to retrain neural networks in order to detect the
evolving botnets; however, the training process is time-consuming and requires
significant efforts to label the training data. For fast-evolving botnets, it
might take too long to create sufficient training samples before the botnets
have changed again. To address these challenges, we propose a novel botnet
detection method, built upon Recurrent Variational Autoencoder (RVAE) that
effectively captures sequential characteristics of botnet activities. In the
experiment, this semi-supervised learning method achieves better detection
accuracy than similar learning methods, especially on hard to detect classes.
Additionally, we devise a transfer learning framework to learn from a
well-curated source data set and transfer the knowledge to a target problem
domain not seen before. Tests show that the true-positive rate (TPR) with
transfer learning is higher than the RVAE semi-supervised learning method
trained using the target data set (91.8% vs. 68.3%).
- Abstract（参考訳）: ボットネット検出は、ボットネットの拡散を防ぎ、悪意のある活動を防ぐための重要なステップである。
しかし、ますます増加するデバイスや攻撃ベクトルを含むさまざまなボットネットのため、信頼性の高い検出は依然として難しい課題である。
機械学習(ML)を用いた最近のアプローチは、以前のアプローチよりもパフォーマンスが向上した。
例えば、ほとんどのMLアプローチでは、ボットネットのクラスを検出するキーとなるシーケンシャルパターン解析技術は組み込まれない。
MLベースのアプローチのもうひとつの一般的な欠点は、進化するボットネットを検出するためにニューラルネットワークを再トレーニングする必要があることだ。
進化の早いボットネットにとっては、ボットネットが再び変わる前に十分なトレーニングサンプルを作成するのに時間がかかりすぎるかもしれない。
これらの課題に対処するために,リカレント変分オートエンコーダ(RVAE)をベースとしたボットネット検出手法を提案する。
実験では,この半教師付き学習手法は,類似した学習方法,特にクラス検出が難しい場合に比べて,検出精度が向上する。
さらに,適切なソースデータセットから学習し,これまで見たことのない対象問題領域に知識を転送するためのトランスファー学習フレームワークを考案する。
転帰学習による真陽性率(TPR)は、ターゲットデータセットを用いて訓練されたRVAE半教師あり学習法(91.8%対68.3%)よりも高い。
関連論文リスト
- Self-supervised Transformer for Deepfake Detection [112.81127845409002]
現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。
転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。
本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-02T17:44:40Z) - Recursive Least-Squares Estimator-Aided Online Learning for Visual
Tracking [58.14267480293575]
オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。
これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。
我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
論文 参考訳（メタデータ） (2021-12-28T06:51:18Z) - Benchmarking Detection Transfer Learning with Vision Transformers [60.97703494764904]
オブジェクト検出メソッドの複雑さは、ViT(Vision Transformer)モデルのような新しいアーキテクチャが到着するときに、ベンチマークを非簡単にする。
本研究では,これらの課題を克服し,標準的なVTモデルをMask R-CNNのバックボーンとして活用する訓練手法を提案する。
その結果,最近のマスキングに基づく教師なし学習手法は,COCOにおける説得力のあるトランスファー学習改善をもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2021-11-22T18:59:15Z) - Data-efficient Weakly-supervised Learning for On-line Object Detection
under Domain Shift in Robotics [24.878465999976594]
文献では、Deep Convolutional Neural Networks (DCNNs)に基づく多数のオブジェクト検出方法が提案されている。
これらの手法はロボティクスに重要な制限がある:オフラインデータのみに学習するとバイアスが発生し、新しいタスクへの適応を防ぐことができる。
本研究では,弱い教師付き学習がこれらの問題にどのように対処できるかを検討する。
論文 参考訳（メタデータ） (2020-12-28T16:36:11Z) - Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。
本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。
ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-13T08:24:33Z) - Detection of Novel Social Bots by Ensembles of Specialized Classifiers [60.63582690037839]
悪意ある俳優は、社会ボットとして知られるアルゴリズムによって部分的に制御される不正なソーシャルメディアアカウントを作成し、誤情報を広め、オンラインでの議論を扇動する。
異なるタイプのボットが、異なる行動特徴によって特徴づけられることを示す。
本稿では,ボットのクラスごとに専門的な分類器を訓練し,それらの決定を最大ルールで組み合わせる,教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-11T22:59:59Z) - Any-Shot Sequential Anomaly Detection in Surveillance Videos [36.24563211765782]
本稿では,トランスファーラーニングとノンショットラーニングを用いた監視ビデオのオンライン異常検出手法を提案する。
提案アルゴリズムは,トランスファー学習のためのニューラルネットワークモデルの特徴抽出能力と,統計的検出手法のノンショット学習能力を利用する。
論文 参考訳（メタデータ） (2020-04-05T02:15:45Z) - Botnet Detection Using Recurrent Variational Autoencoder [4.486436314247216]
ボットネットは悪質なアクターによってますます利用され、多くのインターネットユーザーに脅威を与えている。
本稿では,ボットネット検出のための新しい機械学習手法であるRecurrent Variational Autoencoder (RVAE)を提案する。
RVAEは文献で発表された最もよく知られた結果と同じ精度でボットネットを検出できることを示した。
論文 参考訳（メタデータ） (2020-04-01T05:03:34Z) - Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。
本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
論文 参考訳（メタデータ） (2020-03-13T15:34:33Z) - Cyber Attack Detection thanks to Machine Learning Algorithms [0.0]
本稿では、ネットワーク内の悪意のあるトラフィックを分類する能力を調べることによって、機械学習を実現可能なソリューションとして検討する。
提案手法は,共通ボットネットを含むNetFlowデータセットに対して,5種類の機械学習アルゴリズムを解析する。
ランダムフォレストは13のシナリオのうち8つで95%以上のボットネットを検出し、最も難しいデータセットでは55%以上を検知することに成功した。
論文 参考訳（メタデータ） (2020-01-17T13:52:12Z)
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。