論文の概要: An Interpretable Federated Learning-based Network Intrusion Detection Framework

• arxiv url: http://arxiv.org/abs/2201.03134v1
• Date: Mon, 10 Jan 2022 02:12:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 17:33:04.727403
• Title: An Interpretable Federated Learning-based Network Intrusion Detection Framework
• Title（参考訳）: 解釈可能なフェデレーション学習に基づくネットワーク侵入検出フレームワーク
• Authors: Tian Dong, Song Li, Han Qiu, and Jialiang Lu
• Abstract要約: FEDFORESTは、解釈可能なグラディエントブースティング決定木(GBDT)とフェデレートラーニング(FL)フレームワークを組み合わせた、新しい学習ベースのNIDSである。 FEDFORESTは複数のクライアントで構成されており、サーバがモデルをトレーニングし、侵入を検出するために、ローカルなサイバー攻撃データ特徴を抽出する。 4つのサイバーアタックデータセットの実験は、FEDFORESTが効率的、効率的、解釈可能、拡張可能であることを示した。
• 参考スコア（独自算出の注目度）: 9.896258523574424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based Network Intrusion Detection Systems (NIDSs) are widely deployed for defending various cyberattacks. Existing learning-based NIDS mainly uses Neural Network (NN) as a classifier that relies on the quality and quantity of cyberattack data. Such NN-based approaches are also hard to interpret for improving efficiency and scalability. In this paper, we design a new local-global computation paradigm, FEDFOREST, a novel learning-based NIDS by combining the interpretable Gradient Boosting Decision Tree (GBDT) and Federated Learning (FL) framework. Specifically, FEDFOREST is composed of multiple clients that extract local cyberattack data features for the server to train models and detect intrusions. A privacy-enhanced technology is also proposed in FEDFOREST to further defeat the privacy of the FL systems. Extensive experiments on 4 cyberattack datasets of different tasks demonstrate that FEDFOREST is effective, efficient, interpretable, and extendable. FEDFOREST ranks first in the collaborative learning and cybersecurity competition 2021 for Chinese college students.
• Abstract（参考訳）: 学習ベースのネットワーク侵入検知システム(NIDS)は、様々なサイバー攻撃を防御するために広く利用されている。 既存の学習ベースのNIDSは主に、サイバー攻撃データの質と量に依存する分類器としてニューラルネットワーク(NN)を使用している。 このようなnnベースのアプローチは、効率とスケーラビリティを改善するための解釈も難しい。 本稿では,解釈可能な勾配強化決定木(gbdt)とフェデレート学習(fl)フレームワークを組み合わせた新しい学習ベースのnidsである,新しい局所的グローバル計算パラダイムfeedforestを設計する。 具体的には、FEDFORESTは複数のクライアントで構成されており、サーバがモデルをトレーニングし、侵入を検出するために、ローカルなサイバー攻撃データの特徴を抽出する。 FEDFORESTでは、FLシステムのプライバシーをさらに損なうために、プライバシ強化技術も提案されている。 異なるタスクの4つのサイバー攻撃データセットに関する大規模な実験は、FEDFORESTが効率的、効率的、解釈可能、拡張可能であることを示している。 FEDFORESTは、中国の大学生を対象とした、2021年のコラボレーティブラーニングおよびサイバーセキュリティコンペティションで、第1位である。

関連論文リスト

• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• XFedHunter: An Explainable Federated Learning Framework for Advanced Persistent Threat Detection in SDN [0.0]
  この研究は、Software-Defined Networking (SDN)におけるAPT検出のための説明可能なフェデレート学習フレームワークであるXFedHunterを提案する。 XFedHunterでは、悪意のある事象を効果的に明らかにするために、グラフニューラルネットワーク(GNN)とディープラーニングモデルが使用される。 NF-ToN-IoTとDARPA TCE3データセットの実験結果は、我々のフレームワークがMLベースのシステムの信頼性と説明責任を高めることを示唆している。
  論文  参考訳（メタデータ） (2023-09-15T15:44:09Z)
• FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
  本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。 異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
  論文  参考訳（メタデータ） (2023-02-24T14:27:41Z)
• Initial Study into Application of Feature Density and Linguistically-backed Embedding to Improve Machine Learning-based Cyberbullying Detection [54.83707803301847]
  この研究は、自動サイバーバブル検出に関するKaggleコンペティションで提供されたFormspringデータセットで実施された。 本研究は,サイバブリング検出におけるニューラルネットワークの有効性と分類器性能と特徴密度の相関性を確認した。
  論文  参考訳（メタデータ） (2022-06-04T03:17:15Z)
• Deep Transfer Learning: A Novel Collaborative Learning Model for Cyberattack Detection Systems in IoT Networks [17.071452978622123]
  フェデレートラーニング(FL)は近年,サイバー攻撃検知システムにおいて有効なアプローチとなっている。 FLは学習効率を改善し、通信オーバーヘッドを減らし、サイバー攻撃検知システムのプライバシーを高める。 このようなシステムにおけるFLの実装上の課題は、ラベル付きデータの可用性の欠如と、異なるIoTネットワークにおけるデータ機能の相違である。
  論文  参考訳（メタデータ） (2021-12-02T05:26:29Z)
• A Cyber Threat Intelligence Sharing Scheme based on Federated Learning for Network Intrusion Detection [3.5557219875516655]
  プライバシの懸念とデータセットの普遍的なフォーマットの欠如に対処するために,協調学習方式を提案する。 提案したフレームワークにより、複数の組織が、堅牢なMLベースのネットワーク侵入検知システムの設計、トレーニング、評価に参加することができる。
  論文  参考訳（メタデータ） (2021-11-04T12:06:34Z)
• Deep Transfer Learning Based Intrusion Detection System for Electric Vehicular Networks [0.0]
  IVNデバイスのリスクは、複雑なデータ集約アーキテクチャのため、依然として安全で脆弱である。 従来の機械学習ベースのIDSは、現在の環境のセキュリティ要件に対処するためにアップデートする必要がある。 本論文では,IVN の深層移動学習に基づく IDS モデルを提案する。
  論文  参考訳（メタデータ） (2021-07-12T03:06:49Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• Segmented Federated Learning for Adaptive Intrusion Detection System [0.6445605125467573]
  サイバー攻撃は組織に大きな財政的利益をもたらし、評判を害する。 現在のネットワーク侵入検知システム(NIDS)は不十分なようだ。 より効率的なNIDSのためのSegmented-Federated Learning(Segmented-FL)学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-02T07:47:05Z)
• PIN: A Novel Parallel Interactive Network for Spoken Language Understanding [68.53121591998483]
  既存の RNN ベースのアプローチでは、ID と SF のタスクは、それらの間の相関情報を利用するために、しばしば共同でモデル化される。 SNIPSとATISという2つのベンチマークデータセットによる実験は、我々のアプローチの有効性を実証している。 さらに,事前学習した言語モデルBERTが生成した発話の特徴埋め込みを用いて,提案手法はすべての比較手法の中で最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-09-28T15:59:31Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。