論文の概要: Self-Supervised and Interpretable Anomaly Detection using Network
Transformers
- arxiv url: http://arxiv.org/abs/2202.12997v1
- Date: Fri, 25 Feb 2022 22:05:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 14:49:02.752125
- Title: Self-Supervised and Interpretable Anomaly Detection using Network
Transformers
- Title（参考訳）: ネットワークトランスを用いた自己監視・解釈可能な異常検出
- Authors: Daniel L. Marino, Chathurika S. Wickramasinghe, Craig Rieger, Milos
Manic
- Abstract要約: 本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。
NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。
提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
- 参考スコア（独自算出の注目度）: 1.0705399532413615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monitoring traffic in computer networks is one of the core approaches for
defending critical infrastructure against cyber attacks. Machine Learning (ML)
and Deep Neural Networks (DNNs) have been proposed in the past as a tool to
identify anomalies in computer networks. Although detecting these anomalies
provides an indication of an attack, just detecting an anomaly is not enough
information for a user to understand the anomaly. The black-box nature of
off-the-shelf ML models prevents extracting important information that is
fundamental to isolate the source of the fault/attack and take corrective
measures. In this paper, we introduce the Network Transformer (NeT), a DNN
model for anomaly detection that incorporates the graph structure of the
communication network in order to improve interpretability. The presented
approach has the following advantages: 1) enhanced interpretability by
incorporating the graph structure of computer networks; 2) provides a
hierarchical set of features that enables analysis at different levels of
granularity; 3) self-supervised training that does not require labeled data.
The presented approach was tested by evaluating the successful detection of
anomalies in an Industrial Control System (ICS). The presented approach
successfully identified anomalies, the devices affected, and the specific
connections causing the anomalies, providing a data-driven hierarchical
approach to analyze the behavior of a cyber network.
- Abstract（参考訳）: コンピュータネットワークにおけるトラフィックの監視は、サイバー攻撃に対する重要なインフラストラクチャを守るための重要なアプローチの1つだ。
機械学習(ML)とディープニューラルネットワーク(DNN)は、コンピュータネットワーク内の異常を識別するツールとして過去に提案されている。
これらの異常を検出することは攻撃の兆候を与えるが、異常を検出するだけでは、ユーザが異常を理解するのに十分な情報ではない。
オフザシェルフMLモデルのブラックボックスの性質は、障害/攻撃源を分離し、補正措置をとるために基本となる重要な情報を抽出することを防ぐ。
本稿では,通信ネットワークのグラフ構造を組み込んだ異常検出用DNNモデルであるNetwork Transformer(NeT)について述べる。
提案されたアプローチには次のような利点がある。
1) コンピュータネットワークのグラフ構造を組み込むことによる解釈性の向上
2) 異なるレベルの粒度の分析を可能にする階層的な特徴セットを提供する。
3)ラベル付きデータを必要としない自己指導型トレーニング。
提案手法は,産業制御システム(ICS)における異常検出成功の評価により検証された。
提案手法は,サイバーネットワークの動作解析のためのデータ駆動階層的アプローチを提供し,異常,影響を受けるデバイス,異常を引き起こす特定の接続を同定することに成功した。
関連論文リスト
- X-CBA: Explainability Aided CatBoosted Anomal-E for Intrusion Detection System [2.556190321164248]
Intrusion Detection Systemsにおける機械学習(ML)モデルとディープラーニング(DL)モデルの使用は、不透明な意思決定による信頼の欠如につながっている。
本稿では、グラフニューラルネットワーク(GNN)の構造的利点を活用して、ネットワークトラフィックデータを効率的に処理する新しい説明可能なIDS手法であるX-CBAを提案する。
本手法は、脅威検出の99.47%で高精度に達成し、その分析結果の明確で実用的な説明を提供する。
論文 参考訳（メタデータ） (2024-02-01T18:29:16Z) - Leveraging a Probabilistic PCA Model to Understand the Multivariate
Statistical Network Monitoring Framework for Network Security Anomaly
Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。
2つの異なるデータセットを用いて数学的モデルを評価した。
論文 参考訳（メタデータ） (2023-02-02T13:41:18Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳（メタデータ） (2022-09-25T04:56:10Z) - Anomal-E: A Self-Supervised Network Intrusion Detection System based on
Graph Neural Networks [0.0]
本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。
GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。
本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
論文 参考訳（メタデータ） (2022-07-14T10:59:39Z) - Explaining Network Intrusion Detection System Using Explainable AI
Framework [0.5076419064097734]
侵入検知システムは、今日の世界のサイバー安全の重要なレイヤーの1つです。
本稿では,ディープニューラルネットワークを用いてネットワーク侵入検出を行った。
また、機械学習パイプラインの各段階で透明性を追加する説明可能なAIフレームワークも提案しました。
論文 参考訳（メタデータ） (2021-03-12T07:15:09Z) - NF-GNN: Network Flow Graph Neural Networks for Malware Detection and
Classification [11.624780336645006]
悪意あるソフトウェア(マルウェア)は、通信システムのセキュリティに対する脅威を増大させる。
監視および監視されていない設定でマルウェアの検出と分類をサポートする3つのベースモデルを紹介します。
4つの異なる予測タスクに関する実験は、一貫してこのアプローチの利点を実証し、グラフニューラルネットワークモデルが検出性能を大幅に向上させることができることを示した。
論文 参考訳（メタデータ） (2021-03-05T20:54:38Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - DNS Covert Channel Detection via Behavioral Analysis: a Machine Learning
Approach [0.09176056742068815]
本稿では,ネットワーク監視システムから受動的に抽出されたDNSネットワークデータの解析に基づいて,効果的な隠蔽チャネル検出手法を提案する。
提案手法は15日間の実験実験で評価され,最も関連する流出・トンネル攻撃をカバーするトラフィックを注入した。
論文 参考訳（メタデータ） (2020-10-04T13:28:28Z) - Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。
本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-28T17:55:04Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
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。