論文の概要: Representation Learning for Content-Sensitive Anomaly Detection in
Industrial Networks
- arxiv url: http://arxiv.org/abs/2205.08953v1
- Date: Wed, 20 Apr 2022 09:22:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-22 19:32:17.018666
- Title: Representation Learning for Content-Sensitive Anomaly Detection in
Industrial Networks
- Title(参考訳): 産業ネットワークにおけるコンテンツセンシティブ異常検出のための表現学習
- Authors: Fabian Kopp
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Using a convGRU-based autoencoder, this thesis proposes a framework to learn
spatial-temporal aspects of raw network traffic in an unsupervised and
protocol-agnostic manner. The learned representations are used to measure the
effect on the results of a subsequent anomaly detection and are compared to the
application without the extracted features. The evaluation showed, that the
anomaly detection could not effectively be enhanced when applied on compressed
traffic fragments for the context of network intrusion detection. Yet, the
trained autoencoder successfully generates a compressed representation (code)
of the network traffic, which hold spatial and temporal information. Based on
the models residual loss, the autoencoder is also capable of detecting
anomalies by itself. Lastly, an approach for a kind of model interpretability
(LRP) was investigated in order to identify relevant areas within the raw input
data, which is used to enrich alerts generated by an anomaly detection method.
- Abstract(参考訳): 本稿では、convGRUベースのオートエンコーダを用いて、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フレームワークを提案する。
学習した表現は、その後の異常検出結果への影響を測定するために使用され、抽出した特徴を伴わないアプリケーションと比較される。
その結果,ネットワーク侵入検出の文脈において,圧縮トラフィックフラグメントに適用した場合,異常検出は効果的に改善できないことがわかった。
しかし、訓練されたオートエンコーダは、空間的および時間的情報を保持するネットワークトラフィックの圧縮表現(コード)をうまく生成する。
モデル残差損失に基づいて、オートエンコーダは、単独で異常を検出することもできる。
最後に, モデル解釈可能性 (LRP) のアプローチについて検討し, 異常検出法により生成された警告を豊かにするために用いられる生入力データ内の関連領域を同定した。
関連論文リスト
- Interpretable Anomaly Detection in Cellular Networks by Learning
Concepts in Variational Autoencoders [8.612111588129167]
本稿では,セルラーネットワーク内の異常を解釈可能な方法で検出する上での課題について述べる。
本稿では,データセット内のキーパフォーマンス指標(KPI)ごとに潜在空間の解釈可能な表現を学習する可変オートエンコーダ(VAE)を用いた新しい手法を提案する。
論文 参考訳(メタデータ) (2023-06-28T05:50:17Z) - 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) - Anomaly Detection with Adversarially Learned Perturbations of Latent
Space [9.473040033926264]
異常検出は、正常なデータの分布に適合しないサンプルを特定することである。
本研究では,2つの競合するコンポーネント,Adversarial Distorter と Autoencoder で構成される対角的フレームワークを設計した。
提案手法は,画像およびビデオデータセットの異常検出において,既存の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2022-07-03T19:32:00Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - 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) - Feature Encoding with AutoEncoders for Weakly-supervised Anomaly
Detection [46.76220474310698]
弱教師付き異常検出は、ラベル付きデータと豊富なラベル付きデータから異常検出を学習することを目的としている。
最近の研究は、正常なサンプルと異常なサンプルを特徴空間内の異なる領域に識別的にマッピングしたり、異なる分布に適合させたりすることで、異常検出のためのディープニューラルネットワークを構築している。
本稿では,入力データを,異常検出に使用可能な,より意味のある表現に変換するための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-05-22T16:23:05Z) - 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) - 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) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳(メタデータ) (2020-03-09T08:16:16Z)
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。