論文の概要: Deep Learning for Encrypted Traffic Classification and Unknown Data Detection

• arxiv url: http://arxiv.org/abs/2203.15501v1
• Date: Fri, 25 Mar 2022 10:55:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-03 06:49:04.419708
• Title: Deep Learning for Encrypted Traffic Classification and Unknown Data Detection
• Title（参考訳）: 暗号化トラフィック分類と未知データ検出のためのディープラーニング
• Authors: Madushi H. Pathmaperuma and Yogachandran Rahulamathavan and Safak Dogan and Ahmet M. Kondoz, and Rongxing Lu
• Abstract要約: 新しいDeep Neural Networkベースのユーザアクティビティ検出フレームワークを提案し、モバイルアプリケーション上で実行されるきめ細かいユーザアクティビティを識別する。 提案フレームワークは時間ウィンドウに基づく手法を用いて,アクティビティのトラフィックフローをセグメントに分割する。
• 参考スコア（独自算出の注目度）: 13.36152072056685
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Despite the widespread use of encryption techniques to provide confidentiality over Internet communications, mobile device users are still susceptible to privacy and security risks. In this paper, a new Deep Neural Network (DNN) based user activity detection framework is proposed to identify fine grained user activities performed on mobile applications (known as in-app activities) from a sniffed encrypted Internet traffic stream. One of the challenges is that there are countless applications, and it is practically impossible to collect and train a DNN model using all possible data from them. Therefore, in this work we exploit the probability distribution of DNN output layer to filter the data from applications that are not considered during the model training (i.e., unknown data). The proposed framework uses a time window based approach to divide the traffic flow of an activity into segments, so that in-app activities can be identified just by observing only a fraction of the activity related traffic. Our tests have shown that the DNN based framework has demonstrated an accuracy of 90% or above in identifying previously trained in-app activities and an average accuracy of 79% in identifying previously untrained in-app activity traffic as unknown data when this framework is employed.
• Abstract（参考訳）: インターネット上の通信に機密性を提供する暗号化技術が広く使われているにもかかわらず、モバイルデバイスのユーザーは依然としてプライバシーとセキュリティのリスクにさらされている。 本稿では,新しいディープニューラルネットワーク(dnn)ベースのユーザアクティビティ検出フレームワークを提案し,スニッフ化された暗号化されたインターネットトラフィックストリームから,モバイルアプリケーション(アプリ内アクティビティと呼ばれる)上で実行されるきめ細かいユーザアクティビティを識別する。 課題の1つは、無数のアプリケーションがあり、それらから可能なすべてのデータを使ってDNNモデルを収集し、訓練することは事実上不可能である。 そこで本研究では,dnn出力層の確率分布を利用して,モデルトレーニング中に考慮されないアプリケーション(すなわち未知データ)からのデータフィルタリングを行う。 提案されたフレームワークでは、アクティビティのトラフィックフローをセグメントに分割するためにタイムウィンドウベースのアプローチを採用している。 テストの結果,DNNベースのフレームワークは,事前訓練したアプリ内アクティビティの特定において90%以上の精度を示し,未訓練のアプリ内アクティビティのトラフィックを未知のデータとして特定する場合の平均精度は79%であった。

関連論文リスト

• What If We Had Used a Different App? Reliable Counterfactual KPI Analysis in Wireless Systems [52.499838151272016]
  本稿では、無線アクセスネットワーク(RAN)によって異なるアプリが実装された場合、キーパフォーマンス指標(KPI)の値を推定する「What-if」問題に対処する。 本稿では,推定値に対して信頼度の高い「エラーバー」を提供する無線システムに対する共形予測に基づく対実解析手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T18:47:26Z)
• A near-autonomous and incremental intrusion detection system through active learning of known and unknown attacks [2.686686221415684]
  侵入検知は、セキュリティ専門家の伝統的な慣行であるが、まだ対処すべき問題がいくつかある。 本稿では、未知の攻撃と未知の攻撃の両方を適応的かつ漸進的に検出するハイブリッド侵入検知システム(IDS)のアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-10-26T14:37:54Z)
• Activity Detection for Grant-Free NOMA in Massive IoT Networks [14.43600694600554]
  我々は、畳み込みニューラルネットワーク(CNN)活性検出(AD)と呼ばれる深層学習(DL)に基づく手法を提案する。 シミュレーションにより,提案手法は既存の非ベイジアングリーディ法と比較して高い性能が得られることを確認した。
  論文  参考訳（メタデータ） (2022-12-23T03:44:00Z)
• Black-box Dataset Ownership Verification via Backdoor Watermarking [67.69308278379957]
  我々は、リリースデータセットの保護を、(目立たしい)サードパーティモデルのトレーニングに採用されているかどうかの検証として定式化する。 バックドアの透かしを通じて外部パターンを埋め込んでオーナシップの検証を行い,保護することを提案する。 具体的には、有毒なバックドア攻撃(例えばBadNets)をデータセットのウォーターマーキングに利用し、データセット検証のための仮説テストガイダンスメソッドを設計する。
  論文  参考訳（メタデータ） (2022-08-04T05:32:20Z)
• Collaborative Self Organizing Map with DeepNNs for Fake Task Prevention in Mobile Crowdsensing [26.6224977032229]
  モバイルクラウドセンシング(Mobile Crowdsensing、MCS)は、さまざまなサービスプロバイダがデータを収集、処理、分析する方法を変革したセンシングパラダイムである。 データ中毒、クロッギングタスク攻撃、偽検知タスクなどの様々な脅威は、MCSシステムの性能に悪影響を及ぼす。 この作業では、教師なしの方法でトレーニングされたニューラルネットワークであるSelf Organizing Feature Map(SOFM)を使用して、データセット内の正当なデータを事前クラスタする。
  論文  参考訳（メタデータ） (2022-02-17T04:56:28Z)
• Active Learning for Deep Neural Networks on Edge Devices [0.0]
  本稿では,エッジデバイス上でのニューラルネットワークの実用的な能動学習問題を定式化する。 本稿では,この問題に対処するための一般的なタスクに依存しないフレームワークを提案する。 我々は,実生活シナリオをシミュレートする実践的な環境で,分類タスクとオブジェクト検出タスクの両方に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-06-21T03:55:33Z)
• Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
  ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。 NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。 本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
  論文  参考訳（メタデータ） (2020-11-03T01:46:35Z)
• ZSTAD: Zero-Shot Temporal Activity Detection [107.63759089583382]
  本研究では,ゼロショット時間的活動検出(ZSTAD)と呼ばれる新たなタスク設定を提案する。 このソリューションのアーキテクチャとして,R-C3Dに基づくエンドツーエンドのディープネットワークを設計する。 THUMOS14とCharadesデータセットの両方の実験は、目に見えない活動を検出するという点で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-03-12T02:40:36Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)
• An Intelligent and Time-Efficient DDoS Identification Framework for Real-Time Enterprise Networks SAD-F: Spark Based Anomaly Detection Framework [0.5811502603310248]
  我々は、異なる機械学習技術を用いたDDoS異常検出のためのセキュリティ解析技術について検討する。 本稿では,システムへの入力として実際のトラフィックを扱う新しいアプローチを提案する。 提案するフレームワークの性能要因を3つの異なるテストベッドで検討・比較する。
  論文  参考訳（メタデータ） (2020-01-21T06:05:48Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。