論文の概要: Intrusion Detection using Spatial-Temporal features based on Riemannian Manifold

• arxiv url: http://arxiv.org/abs/2111.00626v1
• Date: Sun, 31 Oct 2021 23:50:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 04:24:53.150506
• Title: Intrusion Detection using Spatial-Temporal features based on Riemannian Manifold
• Title（参考訳）: リーマン多様体に基づく時空間特徴を用いた侵入検出
• Authors: Amardeep Singh and Julian Jang-Jaccard
• Abstract要約: ネットワークトラフィックデータは、異なるネットワークプロトコルの下で異なるデータバイトパケットの組み合わせである。 これらのトラフィックパケットは、複雑な時間変化の非線形関係を持つ。 既存の最先端の手法は、相関に基づいて特徴を複数のサブセットに融合することで、この課題に発展する。 これはしばしば、高い計算コストと、ネットワークトラフィックのリアルタイム処理に制限となる手動サポートを必要とする。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network traffic data is a combination of different data bytes packets under different network protocols. These traffic packets have complex time-varying non-linear relationships. Existing state-of-the-art methods rise up to this challenge by fusing features into multiple subsets based on correlations and using hybrid classification techniques that extract spatial and temporal characteristics. This often requires high computational cost and manual support that limit them for real-time processing of network traffic. To address this, we propose a new novel feature extraction method based on covariance matrices that extract spatial-temporal characteristics of network traffic data for detecting malicious network traffic behavior. The covariance matrices in our proposed method not just naturally encode the mutual relationships between different network traffic values but also have well-defined geometry that falls in the Riemannian manifold. Riemannian manifold is embedded with distance metrics that facilitate extracting discriminative features for detecting malicious network traffic. We evaluated our model on NSL-KDD and UNSW-NB15 datasets and showed our proposed method significantly outperforms the conventional method and other existing studies on the dataset.
• Abstract（参考訳）: ネットワークトラフィックデータは、異なるネットワークプロトコルの下で異なるデータバイトパケットの組み合わせである。 これらのトラフィックパケットは複雑な時変非線形関係を持つ。 既存の最先端手法は、相関関係に基づいて特徴を複数のサブセットに融合させ、空間的特徴と時間的特徴を抽出するハイブリッド分類技術を用いて、この問題に対処する。 これはしばしば、ネットワークトラフィックのリアルタイム処理を制限する高い計算コストと手動サポートを必要とする。 そこで本稿では,ネットワークトラフィックデータの空間的特性を抽出し,悪質なネットワークトラフィックの挙動を検出する,共分散行列に基づく新しい特徴抽出手法を提案する。 提案手法における共分散行列は、異なるネットワークトラフィック値間の相互関係を自然にエンコードするだけでなく、リーマン多様体に属するよく定義された幾何学を持つ。 リーマン多様体は、悪意のあるネットワークトラフィックを検出するための識別的特徴の抽出を容易にする距離メトリクスが組み込まれている。 NSL-KDD と UNSW-NB15 のデータセット上でのモデル評価を行い,提案手法が従来の手法や既存のデータセットよりも優れていることを示す。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Anomaly detection in dynamic networks [0.38233569758620045]
  特徴量に基づくネットワーク異常検出手法である textitoddnet を導入する。 合成および実世界のデータセットにおける奇数ネットの有効性を実証する。
  論文  参考訳（メタデータ） (2022-10-13T23:02:56Z)
• Network Traffic Anomaly Detection Method Based on Multi scale Residual Feature [4.894147848840537]
  ネットワークトラフィックのマルチスケール残差特徴に基づく異常検出手法を提案する。 実験の結果,従来の手法と比較して,提案手法の異常なネットワークトラフィックの検出性能が著しく向上していることがわかった。
  論文  参考訳（メタデータ） (2022-05-08T16:18:24Z)
• STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion Detection System for Intelligent Connected Vehicles [7.301018758489822]
  車両内通信トラフィック(STC-IDS)の時空間相関特性を用いた自動車侵入検出の新しいモデルを提案する。 具体的には、エンコーダ部では、空間的関係と時間的関係を同時に符号化する。 符号化された情報は検出器に渡され、強制的な空間的時間的注意特徴を生成し、異常分類を可能にする。
  論文  参考訳（メタデータ） (2022-04-23T04:22:58Z)
• Learning spatiotemporal features from incomplete data for traffic flow prediction using hybrid deep neural networks [0.28675177318965034]
  本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。 RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。 PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
  論文  参考訳（メタデータ） (2022-04-21T15:57:08Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Network Anomaly Detection based on Tensor Decomposition [10.285394886473217]
  多くの異常検出方法は、ネットワークコアルータで収集されたパケット検査に基づいている。 本稿では,パケットヘッダ検査が不要な代替手法を提案する。
  論文  参考訳（メタデータ） (2020-04-20T21:45:05Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。