論文の概要: A Novel Approach To Network Intrusion Detection System Using Deep
Learning For Sdn: Futuristic Approach
- arxiv url: http://arxiv.org/abs/2208.02094v1
- Date: Wed, 3 Aug 2022 14:23:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-04 13:21:44.690600
- Title: A Novel Approach To Network Intrusion Detection System Using Deep
Learning For Sdn: Futuristic Approach
- Title(参考訳): sdnのための深層学習を用いたネットワーク侵入検知システムへの新しいアプローチ:未来的アプローチ
- Authors: Mhmood Radhi Hadi, Adnan Saher Mohammed
- Abstract要約: Software-Defined Networking (SDN)は、従来のネットワークのアーキテクチャを変更する次世代である。
本研究では,NIDS-DL(Network Intrusion Detection System-Deep Learning Module)アプローチを提案する。
提案手法はバイナリ分類と攻撃検出に有効であった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software-Defined Networking (SDN) is the next generation to change the
architecture of traditional networks. SDN is one of the promising solutions to
change the architecture of internet networks. Attacks become more common due to
the centralized nature of SDN architecture. It is vital to provide security for
the SDN. In this study, we propose a Network Intrusion Detection System-Deep
Learning module (NIDS-DL) approach in the context of SDN. Our suggested method
combines Network Intrusion Detection Systems (NIDS) with many types of deep
learning algorithms. Our approach employs 12 features extracted from 41
features in the NSL-KDD dataset using a feature selection method. We employed
classifiers (CNN, DNN, RNN, LSTM, and GRU). When we compare classifier scores,
our technique produced accuracy results of (98.63%, 98.53%, 98.13%, 98.04%, and
97.78%) respectively. The novelty of our new approach (NIDS-DL) uses 5 deep
learning classifiers and made pre-processing dataset to harvests the best
results. Our proposed approach was successful in binary classification and
detecting attacks, implying that our approach (NIDS-DL) might be used with
great efficiency in the future.
- Abstract(参考訳): Software-Defined Networking (SDN)は、従来のネットワークのアーキテクチャを変更する次世代である。
SDNは、インターネットネットワークのアーキテクチャを変えるための有望なソリューションの1つです。
SDNアーキテクチャの集中的な性質により、攻撃はより一般的になる。
sdnのセキュリティを提供するのが不可欠です。
本研究では,SDN の文脈におけるネットワーク侵入検出システム-深層学習モジュール (NIDS-DL) のアプローチを提案する。
提案手法は,ネットワーク侵入検知システム(NIDS)と多種多様なディープラーニングアルゴリズムを組み合わせる。
提案手法では,NSL-KDDデータセットの41の特徴から抽出した12の特徴を特徴選択法を用いて採用する。
我々は分類器(CNN, DNN, RNN, LSTM, GRU)を採用した。
分類器のスコアを比較すると, 精度は98.63%, 98.53%, 98.13%, 98.04%, 97.78%であった。
新たなアプローチ(nids-dl)の目新しさは、5つのディープラーニング分類器を使用して、最高の結果を得るためにデータセットを前処理することです。
提案手法はバイナリ分類と攻撃検出に成功し,将来的にはNIDS-DL(NIDS-DL)が有効である可能性が示唆された。
関連論文リスト
- Deep neural network based adaptive learning for switched systems [0.3222802562733786]
スイッチングシステムに対するディープニューラルネットワークに基づく適応学習(DNN-AL)アプローチを提案する。
観測されたデータセットは、各サブセット内の構造的変化など、アダプティブにサブセットに分解される。
以前のイテレーションステップのネットワークパラメータは、後続のイテレーションステップでネットワークを初期化するために再利用される。
論文 参考訳(メタデータ) (2022-07-11T04:51:58Z) - DecisioNet -- A Binary-Tree Structured Neural Network [0.12183405753834559]
本稿では,二分木構造ニューラルネットワークDecisioNet(DN)を提案する。
DNの変種は、元のネットワークの計算コストを大幅に削減しつつ、同様の精度を実現する。
論文 参考訳(メタデータ) (2022-07-03T21:47:03Z) - Training High-Performance Low-Latency Spiking Neural Networks by
Differentiation on Spike Representation [70.75043144299168]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。
非分化性のため、SNNを効率的に訓練することは困難である。
本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
論文 参考訳(メタデータ) (2022-05-01T12:44:49Z) - An Interpretable Federated Learning-based Network Intrusion Detection
Framework [9.896258523574424]
FEDFORESTは、解釈可能なグラディエントブースティング決定木(GBDT)とフェデレートラーニング(FL)フレームワークを組み合わせた、新しい学習ベースのNIDSである。
FEDFORESTは複数のクライアントで構成されており、サーバがモデルをトレーニングし、侵入を検出するために、ローカルなサイバー攻撃データ特徴を抽出する。
4つのサイバーアタックデータセットの実験は、FEDFORESTが効率的、効率的、解釈可能、拡張可能であることを示した。
論文 参考訳(メタデータ) (2022-01-10T02:12:32Z) - A novel Deep Neural Network architecture for non-linear system
identification [78.69776924618505]
非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。
メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。
このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
論文 参考訳(メタデータ) (2021-06-06T10:06:07Z) - Pruning and Slicing Neural Networks using Formal Verification [0.2538209532048866]
ディープニューラルネットワーク(DNN)は、様々なコンピュータシステムにおいてますます重要な役割を担っている。
これらのネットワークを作成するために、エンジニアは通常、望ましいトポロジを指定し、自動トレーニングアルゴリズムを使用してネットワークの重みを選択する。
本稿では,近年のDNN検証の進歩を活用して,この問題に対処することを提案する。
論文 参考訳(メタデータ) (2021-05-28T07:53:50Z) - Search to aggregate neighborhood for graph neural network [47.47628113034479]
そこで本研究では,データ固有のGNNアーキテクチャを自動的に設計するためのフレームワークとして,SANE(Search to Aggregate NEighborhood)を提案する。
新規で表現力のある検索空間を設計することにより,従来の強化学習法よりも効率的である微分可能な探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-04-14T03:15:19Z) - Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。
DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。
300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文 参考訳(メタデータ) (2020-07-17T08:32:11Z) - Evaluation of Adversarial Training on Different Types of Neural Networks
in Deep Learning-based IDSs [3.8073142980733]
我々は、異なる回避攻撃の有効性と、レジリエンス深層学習に基づくIDSの訓練方法に焦点をあてる。
我々は min-max アプローチを用いて、敵の例に対して頑健なIDSを訓練する問題を定式化する。
異なるディープラーニングアルゴリズムと異なるベンチマークデータセットに関する実験により、敵の訓練に基づくmin-maxアプローチによる防御が、よく知られた5つの敵の攻撃方法に対する堅牢性を向上することを示した。
論文 参考訳(メタデータ) (2020-07-08T23:33:30Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-02T15:38:44Z) - Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。
DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。
コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
論文 参考訳(メタデータ) (2020-06-30T14:56:05Z)
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。