論文の概要: Flurry: a Fast Framework for Reproducible Multi-layered Provenance Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2203.02744v1
• Date: Sat, 5 Mar 2022 13:52:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-09 11:20:44.442097
• Title: Flurry: a Fast Framework for Reproducible Multi-layered Provenance Graph Representation Learning
• Title（参考訳）: Flurry: 再現可能な多層プロヴァンスグラフ表現学習のための高速フレームワーク
• Authors: Maya Kapoor, Joshua Melton, Michael Ridenhour, Mahalavanya Sriram, Thomas Moyer, Siddharth Krishnan
• Abstract要約: Flurryは、サイバー攻撃をシミュレートするエンドツーエンドのデータパイプラインである。 複数のシステムとアプリケーション層におけるこれらの攻撃からのデータをキャプチャし、これらの攻撃からの監査ログをデータプロファイランスグラフに変換し、このデータをディープニューラルネットワークのトレーニングフレームワークに組み込む。 複数のシステム攻撃からのデータを処理し,グラフ分類による異常検出を行うことで,このパイプラインを実証する。
• 参考スコア（独自算出の注目度）: 0.44040106718326594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex heterogeneous dynamic networks like knowledge graphs are powerful constructs that can be used in modeling data provenance from computer systems. From a security perspective, these attributed graphs enable causality analysis and tracing for analyzing a myriad of cyberattacks. However, there is a paucity in systematic development of pipelines that transform system executions and provenance into usable graph representations for machine learning tasks. This lack of instrumentation severely inhibits scientific advancement in provenance graph machine learning by hindering reproducibility and limiting the availability of data that are critical for techniques like graph neural networks. To fulfill this need, we present Flurry, an end-to-end data pipeline which simulates cyberattacks, captures provenance data from these attacks at multiple system and application layers, converts audit logs from these attacks into data provenance graphs, and incorporates this data with a framework for training deep neural models that supports preconfigured or custom-designed models for analysis in real-world resilient systems. We showcase this pipeline by processing data from multiple system attacks and performing anomaly detection via graph classification using current benchmark graph representational learning frameworks. Flurry provides a fast, customizable, extensible, and transparent solution for providing this much needed data to cybersecurity professionals.
• Abstract（参考訳）: 知識グラフのような複雑なヘテロジニアスな動的ネットワークは、コンピュータシステムからのデータ証明をモデル化するのに使用できる強力な構造である。 セキュリティの観点からは、これらの帰結グラフは、無数のサイバー攻撃を分析するために因果分析とトレースを可能にする。 しかし、システム実行と証明を機械学習タスクに使用可能なグラフ表現に変換するパイプラインの体系的な開発には、あいまいさがある。 このインスツルメンテーションの欠如は、再現性を妨げ、グラフニューラルネットワークのような技術にとって重要なデータの可用性を制限することによって、プロフェランスグラフ機械学習の科学的進歩を著しく阻害する。 このニーズを満たすために、Flurryは、サイバー攻撃をシミュレートし、これらの攻撃から発生したデータを複数のシステムおよびアプリケーション層でキャプチャし、これらの攻撃からの監査ログをデータプロファイランスグラフに変換し、このデータを、実際のレジリエントシステムにおける分析のための事前設定またはカスタム設計モデルをサポートするディープニューラルネットワークモデルのトレーニングフレームワークに組み込む、エンドツーエンドのデータパイプラインである。 本稿では,複数のシステム攻撃からのデータを処理し,現在のベンチマークグラフ表現学習フレームワークを用いたグラフ分類による異常検出を行う。 Flurryは、高速でカスタマイズ可能、拡張可能、透過的なソリューションを提供し、サイバーセキュリティの専門家に大量のデータを提供する。

関連論文リスト

• Incremental Learning with Concept Drift Detection and Prototype-based Embeddings for Graph Stream Classification [11.811637154674939]
  本研究は,グラフストリーム分類の新しい手法を提案する。 データ生成プロセスは、時間とともにさまざまなノードとエッジを持つグラフを生成する。 ドリフトの検出時にグラフプロトタイプを再計算するために、ロスベースのコンセプトドリフト検出機構が組み込まれている。
  論文  参考訳（メタデータ） (2024-04-03T08:47:32Z)
• GraphGuard: Detecting and Counteracting Training Data Misuse in Graph Neural Networks [69.97213941893351]
  グラフデータ分析におけるグラフニューラルネットワーク(GNN)の出現は、モデルトレーニング中のデータ誤用に関する重要な懸念を引き起こしている。 既存の手法は、データ誤用検出または緩和のいずれかに対応しており、主にローカルGNNモデル用に設計されている。 本稿では,これらの課題に対処するため,GraphGuardという先駆的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-13T02:59:37Z)
• Stepping out of Flatland: Discovering Behavior Patterns as Topological Structures in Cyber Hypergraphs [0.7835894511242797]
  本稿では,ハイパーグラフとトポロジ理論に基づく新しいフレームワークを提案する。 大規模なサイバーネットワークデータセットで具体例を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:00:33Z)
• InVAErt networks: a data-driven framework for model synthesis and identifiability analysis [0.0]
  inVAErtは物理システムのデータ駆動分析と合成のためのフレームワークである。 これは、前方および逆写像を表す決定論的デコーダ、系の出力の確率分布を捉える正規化フロー、入力と出力の間の単射性の欠如についてコンパクトな潜在表現を学ぶ変分エンコーダを使用する。
  論文  参考訳（メタデータ） (2023-07-24T07:58:18Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• A Computational Framework for Modeling Complex Sensor Network Data Using Graph Signal Processing and Graph Neural Networks in Structural Health Monitoring [0.7519872646378835]
  本稿では,グラフ信号処理(GSP)とグラフニューラルネットワーク(GNN)を組み合わせた複雑なネットワークモデリングに基づくフレームワークを提案する。 我々は,オランダの大きな橋梁のセンサデータ(ひずみ,振動)のモデル化と解析という,実世界の構造的健康モニタリングユースケースに注目した。
  論文  参考訳（メタデータ） (2021-05-01T10:45:57Z)
• SpikE: spike-based embeddings for multi-relational graph data [0.0]
  スパイクニューラルネットワークは、感覚処理から生じるタスクに主に適用されます。 業界や研究に幅広く適用されている豊富なデータ表現は、いわゆるナレッジグラフです。 本稿では,グラフ中のノードをニューロン集団の単一スパイク時間で表すスパイクベースのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-27T18:00:12Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• 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)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。