論文の概要: Network Traffic Anomaly Detection Method Based on Multi scale Residual Feature

• arxiv url: http://arxiv.org/abs/2205.03907v1
• Date: Sun, 8 May 2022 16:18:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-11 03:35:10.962770
• Title: Network Traffic Anomaly Detection Method Based on Multi scale Residual Feature
• Title（参考訳）: マルチスケール残差特徴量に基づくネットワークトラフィック異常検出手法
• Abstract要約: ネットワークトラフィックのマルチスケール残差特徴に基づく異常検出手法を提案する。 実験の結果,従来の手法と比較して,提案手法の異常なネットワークトラフィックの検出性能が著しく向上していることがわかった。
• 参考スコア（独自算出の注目度）: 4.894147848840537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To address the problem that traditional network traffic anomaly detection algorithms do not suffi-ciently mine potential features in long time domain, an anomaly detection method based on mul-ti-scale residual features of network traffic is proposed. The original traffic is divided into subse-quences of different time spans using sliding windows, and each subsequence is decomposed and reconstructed into data sequences of different levels using wavelet transform technique; the stacked autoencoder (SAE) constructs similar feature space using normal network traffic, and gen-erates reconstructed error vector using the difference between reconstructed samples and input samples in the similar feature space; the multi-path residual group is used to learn reconstructed error The traffic classification is completed by a lightweight classifier. The experimental results show that the detection performance of the proposed method for anomalous network traffic is sig-nificantly improved compared with traditional methods; it confirms that the longer time span and more S transformation scales have positive effects on discovering potential diversity information in the original network traffic.
• Abstract（参考訳）: 従来のネットワークトラヒック異常検出アルゴリズムが長期領域の潜在特徴を十分にマイニングしない問題に対処するため,ネットワークトラヒックのmul-tiスケール残差特性に基づく異常検出手法を提案する。 The original traffic is divided into subse-quences of different time spans using sliding windows, and each subsequence is decomposed and reconstructed into data sequences of different levels using wavelet transform technique; the stacked autoencoder (SAE) constructs similar feature space using normal network traffic, and gen-erates reconstructed error vector using the difference between reconstructed samples and input samples in the similar feature space; the multi-path residual group is used to learn reconstructed error The traffic classification is completed by a lightweight classifier. 実験結果から,提案手法は従来手法に比べてsig法より精度が良く,より長い時間スパンとより多くのsトランスフォーメーションスケールが元のネットワークトラヒックにおける潜在的な多様性情報の発見にポジティブな影響を与えていることが確認された。

関連論文リスト

• A Dynamic Transformer Network for Vehicle Detection [57.4144097001218]
  車両検出のための動的トランスフォーマーネットワーク(DTNet)を提案する。 DTNetは動的畳み込みを利用してディープネットワークを誘導し、重量を動的に生成し、得られた検出器の適応性を高める。 画像アカウントにおける差の欠点を克服するため、変換変分畳み込みは、取得した車両検出構造情報を洗練するために、空間的位置情報に依存する。
  論文  参考訳（メタデータ） (2025-06-03T11:29:35Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• Detection of Anomalous Vehicular Traffic and Sensor Failures Using Data Clustering Techniques [0.0]
  本研究では,高速道路センサからの交通流データの解析にクラスタリング手法を用いる。 複数のクラスタリング手法、すなわちパーティショニングと階層的手法を、様々な時系列表現と類似度尺度と組み合わせて検討する。 本手法は高速道路センサのリアルタイムデータに適用し,異なるクラスタリングフレームワークが交通パターン認識に与える影響を評価する。
  論文  参考訳（メタデータ） (2025-04-01T15:09:39Z)
• Network Anomaly Traffic Detection via Multi-view Feature Fusion [3.4590834781477864]
  ネットワーク異常トラフィック検出のためのマルチビュー・フィーチャー・フュージョン(MuFF)手法を提案する。 MuFFは、時間的および対話的な視点に基づいて、ネットワークトラフィックにおけるパケットの時間的および対話的な関係をモデル化する。 6つの実トラフィックデータセットの実験により、MuFFはネットワーク異常なトラフィック検出において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-12T13:04:40Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• GIT: Detecting Uncertainty, Out-Of-Distribution and Adversarial Samples using Gradients and Invariance Transformations [77.34726150561087]
  本稿では,ディープニューラルネットワークにおける一般化誤差検出のための総合的アプローチを提案する。 GITは勾配情報と不変変換の利用を組み合わせる。 本実験は,各種ネットワークアーキテクチャの最先端技術と比較して,GITの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-07-05T22:04:38Z)
• A Novel Self-Supervised Learning-Based Anomaly Node Detection Method Based on an Autoencoder in Wireless Sensor Networks [4.249028315152528]
  本稿では,オートエンコーダに基づく自己教師付き学習に基づく異常ノード検出手法を設計する。 本手法は,時間的WSNデータフロー特徴抽出,空間的位置特徴抽出,モーダルWSN相関特徴抽出を統合する。 実験の結果、設計法はベースラインを上回り、F1スコアは90.6%に達した。
  論文  参考訳（メタデータ） (2022-12-26T01:54:02Z)
• Representation Learning for Content-Sensitive Anomaly Detection in Industrial Networks [0.0]
  本論文では、生のネットワークトラフィックの時空間的側面を教師なしかつプロトコルに依存しない方法で学習する枠組みを提案する。 学習された表現は、その後の異常検出の結果に与える影響を測定するために使用される。
  論文  参考訳（メタデータ） (2022-04-20T09:22:41Z)
• Intrusion Detection using Spatial-Temporal features based on Riemannian Manifold [1.14219428942199]
  ネットワークトラフィックデータは、異なるネットワークプロトコルの下で異なるデータバイトパケットの組み合わせである。 これらのトラフィックパケットは、複雑な時間変化の非線形関係を持つ。 既存の最先端の手法は、相関に基づいて特徴を複数のサブセットに融合することで、この課題に発展する。 これはしばしば、高い計算コストと、ネットワークトラフィックのリアルタイム処理に制限となる手動サポートを必要とする。
  論文  参考訳（メタデータ） (2021-10-31T23:50:59Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• Auto-Classifier: A Robust Defect Detector Based on an AutoML Head [2.685668802278155]
  畳み込みニューラルネットワークは従来の手法よりも優れた結果が得られることを示す。 また、Auto-Classifierは、全データセットの100%精度と100%AUC結果を達成することで、他のすべてのメソッドよりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-09-03T10:39:02Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)
• DHP: Differentiable Meta Pruning via HyperNetworks [158.69345612783198]
  本稿では,ネットワークの自動プルーニングのためのハイパーネットによる識別可能なプルーニング手法を提案する。 遅延ベクトルは、バックボーンネットワーク内の畳み込み層の出力チャネルを制御し、レイヤのプルーニングのハンドルとして機能する。 画像分類、単一画像超解像、復調のための様々なネットワークで実験が行われた。
  論文  参考訳（メタデータ） (2020-03-30T17:59:18Z)

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。