論文の概要: A Novel Open Set Energy-based Flow Classifier for Network Intrusion Detection

• arxiv url: http://arxiv.org/abs/2109.11224v3
• Date: Fri, 27 Jun 2025 17:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:22.817272
• Title: A Novel Open Set Energy-based Flow Classifier for Network Intrusion Detection
• Title（参考訳）: ネットワーク侵入検出のための新しいオープンセットエネルギーベースフロー分類器
• Authors: Manuela M. C. Souza, Camila Pontes, Joao Gondim, Luis P. F. Garcia, Luiz DaSilva, Eduardo F. M. Cavalcante, Marcelo A. Marotta,
• Abstract要約: ネットワーク侵入検知システム(NIDS)における単一クラスエネルギーフロー(EFC)アルゴリズムの適応性を提案する。 EFCは、既知の攻撃だけでなく、未知の攻撃も正しく分類し、時間的複雑さの低い単一の層を提示することで、文献と他の提案とは異なる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several machine learning-based Network Intrusion Detection Systems (NIDS) have been proposed in recent years. Still, most of them were developed and evaluated under the assumption that the training context is similar to the test context. This assumption is false in real networks, given the emergence of new attacks and variants of known attacks. To deal with this reality, the open set recognition field, which is the most general task of recognizing classes not seen during training in any domain, began to gain importance in machine learning based NIDS research. Yet, existing solutions are often bound to high temporal complexities and performance bottlenecks. In this work, we propose an algorithm to be used in NIDS that performs open set recognition. Our proposal is an adaptation of the single-class Energy-based Flow Classifier (EFC), which proved to be an algorithm with strong generalization capability and low computational cost. The new version of EFC correctly classifies not only known attacks, but also unknown ones, and differs from other proposals from the literature by presenting a single layer with low temporal complexity. Our proposal was evaluated against well-established multi-class algorithms and as an open set classifier. It proved to be an accurate classifier in both evaluations, similar to the state of the art. As a conclusion of our work, we consider EFC a promising algorithm to be used in NIDS for its high performance and applicability in real networks.
• Abstract（参考訳）: 近年,機械学習に基づくネットワーク侵入検知システム (NIDS) がいくつか提案されている。 それでも、トレーニングコンテキストがテストコンテキストと似ているという前提の下で、ほとんどのテストが開発され、評価されました。 この仮定は、新しい攻撃の出現と既知の攻撃の変種を考えると、実際のネットワークでは誤りである。 この現実に対処するため、任意の領域でトレーニング中に見えないクラスを認識するための最も一般的なタスクであるオープンセット認識フィールドは、機械学習に基づくNIDS研究において重要性を増しはじめた。 しかし、既存のソリューションは、しばしば高テンポラリな複雑さとパフォーマンスのボトルネックに結びついています。 本研究では,オープンセット認識を行うNIDSで使用されるアルゴリズムを提案する。 提案手法は,強力な一般化能力と計算コストの低いアルゴリズムであるEFC (Single-class Energy-based Flow Classifier) の適応である。 EFCの新バージョンは、既知の攻撃だけでなく、未知の攻撃も正しく分類し、時間的複雑さの低い単一層を提示することで、文献と他の提案とは異なる。 提案手法は、確立されたマルチクラスアルゴリズムとオープンセット分類器に対して評価された。 どちらの評価においても、最先端技術と同様、正確な分類器であることが証明された。 本研究の結論として,実ネットワークにおける高い性能と適用性のために,EFCをNIDSで使用できる有望なアルゴリズムとみなす。

関連論文リスト

• Unified Classification and Rejection: A One-versus-All Framework [47.58109235690227]
  我々は,オープンな集合分類器を構築するための統一的なフレームワークを構築した。 K の $-class 問題を $ K $ 1-versus-all (OVA) のバイナリ分類タスクに分解することにより、OVA 分類器のスコアを組み合わせることで、$ (K+1) の $-class rear 確率が得られることを示す。 一般的なOSRおよびOOD検出データセットの実験により、提案するフレームワークは、単一のマルチクラス分類器を使用して、競合性能を得ることを示した。
  論文  参考訳（メタデータ） (2023-11-22T12:47:12Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Open-Set Automatic Target Recognition [52.27048031302509]
  オートマチックターゲット認識(Automatic Target Recognition、ATR)は、異なるセンサーから取得したデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。 既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。 ATRアルゴリズムのオープンセット認識機能を実現するためのオープンセット自動ターゲット認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-10T21:28:24Z)
• Open-set Recognition based on the Combination of Deep Learning and Ensemble Method for Detecting Unknown Traffic Scenarios [0.9711326718689492]
  本研究では、Convolutional Neural Networks(CNN)とRandom Forest(RF)を組み合わせて、交通シナリオのオープンセット認識を提案する。 RFのアンサンブルの性質を継承することにより、極値理論と組み合わされた全ての木の投票パターンが未知のクラスを検出するのに適していることが示される。
  論文  参考訳（メタデータ） (2021-05-17T06:48:15Z)

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。