論文の概要: ARCADE: Adversarially Regularized Convolutional Autoencoder for Network
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2205.01432v1
- Date: Tue, 3 May 2022 11:47:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-04 16:04:39.012179
- Title: ARCADE: Adversarially Regularized Convolutional Autoencoder for Network
Anomaly Detection
- Title（参考訳）: ARCADE: ネットワーク異常検出のための逆正則畳み込みオートエンコーダ
- Authors: Willian T. Lunardi, Martin Andreoni Lopez, Jean-Pierre Giacalone
- Abstract要約: ARCADEと呼ばれる、教師なしの異常に基づくディープラーニング検出システム。
リソース制約のある環境でのオンライン検出に適した畳み込みオートエンコーダ(AE)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the number of heterogenous IP-connected devices and traffic volume
increase, so does the potential for security breaches. The undetected
exploitation of these breaches can bring severe cybersecurity and privacy
risks. In this paper, we present a practical unsupervised anomaly-based deep
learning detection system called ARCADE (Adversarially Regularized
Convolutional Autoencoder for unsupervised network anomaly DEtection). ARCADE
exploits the property of 1D Convolutional Neural Networks (CNNs) and Generative
Adversarial Networks (GAN) to automatically build a profile of the normal
traffic based on a subset of raw bytes of a few initial packets of network
flows so that potential network anomalies and intrusions can be effectively
detected before they could cause any more damage to the network. A
convolutional Autoencoder (AE) is proposed that suits online detection in
resource-constrained environments, and can be easily improved for environments
with higher computational capabilities. An adversarial training strategy is
proposed to regularize and decrease the AE's capabilities to reconstruct
network flows that are out of the normal distribution, and thereby improve its
anomaly detection capabilities. The proposed approach is more effective than
existing state-of-the-art deep learning approaches for network anomaly
detection and significantly reduces detection time. The evaluation results show
that the proposed approach is suitable for anomaly detection on
resource-constrained hardware platforms such as Raspberry Pi.
- Abstract（参考訳）: 異種IP接続デバイスの数とトラフィック量の増加に伴い、セキュリティ侵害の可能性がある。
未発見の侵入は、サイバーセキュリティとプライバシーの重大なリスクをもたらす可能性がある。
本稿では, ARCADE (Adversarially Regularized Convolutional Autoencoder for unsupervised network Anomaly Detection) と呼ばれる, 実用的な教師なし異常に基づくディープラーニング検出システムを提案する。
ARCADEは1D Convolutional Neural Networks (CNN) とGenerative Adversarial Networks (GAN) の特性を利用して、ネットワークフローのいくつかの初期パケットの生バイトのサブセットに基づいて、通常のトラフィックのプロファイルを自動構築する。
リソース制約のある環境でのオンライン検出に適した畳み込みオートエンコーダ (AE) が提案され, 計算能力の高い環境でも容易に改善できる。
正規分布から外れたネットワークフローを再構築し,異常検出能力を向上させるために,AEの正規化と縮小を図るための対角的トレーニング戦略を提案する。
提案手法は,ネットワーク異常検出のための最先端のディープラーニング手法よりも有効であり,検出時間を大幅に短縮する。
評価結果から,提案手法はRaspberry Piなどのリソース制約のあるハードウェアプラットフォーム上での異常検出に適していることが示された。
関連論文リスト
- Deep Learning Algorithms Used in Intrusion Detection Systems -- A Review [0.0]
本稿では,CNN,Recurrent Neural Networks(RNN),Deep Belief Networks(DBN),Deep Neural Networks(DNN),Long Short-Term Memory(LSTM),Autoencoders(AE),Multi-Layer Perceptrons(MLP),Self-Normalizing Networks(SNN),Hybrid Model(ネットワーク侵入検知システム)など,近年のディープラーニング技術の進歩について述べる。
論文 参考訳（メタデータ） (2024-02-26T20:57:35Z) - Self-Supervised and Interpretable Anomaly Detection using Network
Transformers [1.0705399532413615]
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。
論文 参考訳（メタデータ） (2022-02-25T22:05:59Z) - AVTPnet: Convolutional Autoencoder for AVTP anomaly detection in
Automotive Ethernet Networks [2.415997479508991]
本稿では,Audio Video Transport Protocol (AVTP) 上での異常のオフライン検出のための畳み込みオートエンコーダ (CAE) を提案する。
提案手法は、最近発表された"Automotive Ethernet Intrusion dataset"に基づいて評価される。
論文 参考訳（メタデータ） (2022-01-31T19:13:20Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Deep-RBF Networks for Anomaly Detection in Automotive Cyber-Physical
Systems [1.8692254863855962]
連続的なステアリング予測などのCPS回帰タスクにおける異常の検出にディープRBFネットワークをどのように使用できるかを示す。
以上の結果から,深部RBFネットワークは,追加のリソースを必要としない短時間でこれらの攻撃を確実に検出できることが示唆された。
論文 参考訳（メタデータ） (2021-03-25T23:10:32Z) - 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) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳（メタデータ） (2020-03-16T16:54:36Z) - Pelican: A Deep Residual Network for Network Intrusion Detection [7.562843347215287]
我々は、特別に設計された残留ブロックの上に構築されたディープニューラルネットワークであるペリカンを提案する。
ペリカンは、非常に低い誤報率を維持しながら、高い攻撃検出性能を達成することができる。
論文 参考訳（メタデータ） (2020-01-19T05:07:48Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。