論文の概要: Network Activities Recognition and Analysis Based on Supervised Machine
Learning Classification Methods Using J48 and Na\"ive Bayes Algorithm
- arxiv url: http://arxiv.org/abs/2105.13698v1
- Date: Fri, 28 May 2021 09:44:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 13:29:39.845392
- Title: Network Activities Recognition and Analysis Based on Supervised Machine
Learning Classification Methods Using J48 and Na\"ive Bayes Algorithm
- Title（参考訳）: j48とna\"ive bayesアルゴリズムを用いた教師付き機械学習分類法に基づくネットワークアクティビティ認識と解析
- Authors: Fan Huang
- Abstract要約: 教師付き分類技術に基づく機械学習手法の適用は、重大で退屈な作業からネットワークセキュリティスタッフを解放するのに役立ちます。
微調整されたモデルは、ユーザの振る舞いを正確に認識し、比較的高い精度と適応性を備えた永続的な監視を提供する。
- 参考スコア（独自算出の注目度）: 1.6181085766811525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network activities recognition has always been a significant component of
intrusion detection. However, with the increasing network traffic flow and
complexity of network behavior, it is becoming more and more difficult to
identify the specific behavior quickly and accurately by user network
monitoring software. It also requires the system security staff to pay close
attention to the latest intrusion monitoring technology and methods. All of
these greatly increase the difficulty and complexity of intrusion detection
tasks. The application of machine learning methods based on supervised
classification technology would help to liberate the network security staff
from the heavy and boring tasks. A finetuned model would accurately recognize
user behavior, which could provide persistent monitoring with a relative high
accuracy and good adaptability. Finally, the results of network activities
recognition by J48 and Na\"ive Bayes algorithms are introduced and evaluated.
- Abstract（参考訳）: ネットワークアクティビティ認識は常に侵入検知の重要な構成要素である。
しかし,ネットワークトラフィックフローの増大とネットワーク動作の複雑化に伴い,ユーザネットワーク監視ソフトウェアにより,特定の動作を迅速かつ正確に識別することがますます難しくなってきている。
また、システムセキュリティスタッフは最新の侵入監視技術や方法に注意を払う必要がある。
これらすべてが侵入検知タスクの難易度と複雑さを大幅に増す。
教師付き分類技術に基づく機械学習手法の適用は、ネットワークセキュリティスタッフを重く退屈なタスクから解放するのに役立つだろう。
微調整されたモデルは、ユーザの振る舞いを正確に認識し、比較的高い精度と適応性を備えた永続的な監視を提供する。
最後に、J48とNa\"ive Bayesアルゴリズムによるネットワークアクティビティ認識の結果を紹介し、評価する。
関連論文リスト
- Deep Learning Algorithms Used in Intrusion Detection Systems -- A Review [0.0]
本稿では,CNN,Recurrent Neural Networks(RNN),Deep Belief Networks(DBN),Deep Neural Networks(DNN),Long Short-Term Memory(LSTM),Autoencoders(AE),Multi-Layer Perceptrons(MLP),Self-Normalizing Networks(SNN),Hybrid Model(ネットワーク侵入検知システム)など,近年のディープラーニング技術の進歩について述べる。
論文 参考訳（メタデータ） (2024-02-26T20:57:35Z) - A Hybrid Deep Learning Anomaly Detection Framework for Intrusion
Detection [4.718295605140562]
本稿では,3段階のディープラーニング異常検出に基づくネットワーク侵入攻撃検出フレームワークを提案する。
このフレームワークは、教師なし(K平均クラスタリング)、半教師付き(GANomaly)、および教師付き学習(CNN)アルゴリズムの統合を含む。
そして、3つのベンチマークデータセット上で実装したフレームワークの性能を評価した。
論文 参考訳（メタデータ） (2022-12-02T04:40:54Z) - Quantization-aware Interval Bound Propagation for Training Certifiably
Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。
近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。
本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文 参考訳（メタデータ） (2022-11-29T13:32:38Z) - A Comparative Analysis of Machine Learning Algorithms for Intrusion
Detection in Edge-Enabled IoT Networks [0.0]
侵入検知は、ネットワークセキュリティの分野で難しい問題の一つである。
本稿では,従来の機械学習分類アルゴリズムの比較分析を行った。
MLP(Multi-Layer Perception)は入力と出力の間に依存性があり、侵入検知のネットワーク構成に依存している。
論文 参考訳（メタデータ） (2021-11-02T05:58:07Z) - Darknet Traffic Big-Data Analysis and Network Management to Real-Time
Automating the Malicious Intent Detection Process by a Weight Agnostic Neural
Networks Framework [0.0]
悪意の検出プロセスをリアルタイムに自動化する新しいダークネットトラフィック解析とネットワーク管理フレームワークを提案する。
ネットワークトラフィック分析、マルウェアトラフィックの復号化、リアルタイムの暗号化トラフィック識別のための、効果的で正確な計算知能ツールである。
論文 参考訳（メタデータ） (2021-02-16T19:03:25Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T16:38:26Z) - Online Anomaly Detection in Surveillance Videos with Asymptotic Bounds
on False Alarm Rate [36.24563211765782]
本稿では,誤報率に制約のある監視ビデオにおける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,多目的ディープラーニングモジュールと統計的異常検出モジュールから構成される。
論文 参考訳（メタデータ） (2020-10-10T04:46:16Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - Certifiable Robustness to Adversarial State Uncertainty in Deep
Reinforcement Learning [40.989393438716476]
ディープニューラルネットワークベースのシステムは、現在では多くのロボティクスタスクにおいて最先端のシステムとなっているが、ネットワークの堅牢性に関する公式な保証なしに、安全クリティカルドメインへの適用は危険なままである。
センサー入力に対する小さな摂動は、しばしばネットワークベースの決定を変えるのに十分である。
この研究は、認証された敵対的ロバスト性の研究を活用して、深い強化学習アルゴリズムのためのオンラインロバストを開発する。
論文 参考訳（メタデータ） (2020-04-11T21:36:13Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳（メタデータ） (2020-01-27T11:21:05Z) - Pelican: A Deep Residual Network for Network Intrusion Detection [7.562843347215287]
我々は、特別に設計された残留ブロックの上に構築されたディープニューラルネットワークであるペリカンを提案する。
ペリカンは、非常に低い誤報率を維持しながら、高い攻撃検出性能を達成することができる。
論文 参考訳（メタデータ） (2020-01-19T05:07:48Z)
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。