論文の概要: CPS Attack Detection under Limited Local Information in Cyber Security:
A Multi-node Multi-class Classification Ensemble Approach
- arxiv url: http://arxiv.org/abs/2209.00170v1
- Date: Thu, 1 Sep 2022 00:54:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-02 13:37:37.530173
- Title: CPS Attack Detection under Limited Local Information in Cyber Security:
A Multi-node Multi-class Classification Ensemble Approach
- Title(参考訳): サイバーセキュリティにおける限定ローカル情報によるCPS攻撃検出:マルチノード分類アンサンブルアプローチ
- Authors: Junyi Liu and Yifu Tang and Haimeng Zhao and Xieheng Wang and Fangyu
Li and Jingyi Zhang
- Abstract要約: 攻撃検知のためのサイバーセキュリティにおけるマルチクラス分類問題について検討する。
この場合、各データセンタ/ノード内のデータは、ローカルデータが不完全である間に共有できない。
全ノードで生データを共有せずにグローバルなマルチクラス分類器を訓練するために,本研究の主な成果はマルチノードのマルチクラス分類アンサンブルアプローチを設計することである。
- 参考スコア(独自算出の注目度): 7.715989808557185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cybersecurity breaches are the common anomalies for distributed
cyber-physical systems (CPS). However, the cyber security breach classification
is still a difficult problem, even using cutting-edge artificial intelligence
(AI) approaches. In this paper, we study the multi-class classification problem
in cyber security for attack detection. A challenging multi-node data-censoring
case is considered. In such a case, data within each data center/node cannot be
shared while the local data is incomplete. Particularly, local nodes contain
only a part of the multiple classes. In order to train a global multi-class
classifier without sharing the raw data across all nodes, the main result of
our study is designing a multi-node multi-class classification ensemble
approach. By gathering the estimated parameters of the binary classifiers and
data densities from each local node, the missing information for each local
node is completed to build the global multi-class classifier. Numerical
experiments are given to validate the effectiveness of the proposed approach
under the multi-node data-censoring case. Under such a case, we even show the
out-performance of the proposed approach over the full-data approach.
- Abstract(参考訳): サイバーセキュリティ侵害は、分散サイバーフィジカルシステム(cps)の一般的な異常である。
しかし、最先端の人工知能(AI)アプローチであっても、サイバーセキュリティ違反の分類は依然として難しい問題である。
本稿では,サイバーセキュリティにおける攻撃検出の多種分類問題について検討する。
挑戦的なマルチノードデータ検閲ケースを検討する。
この場合、各データセンタ/ノード内のデータは、ローカルデータが不完全である間は共有できない。
特に、ローカルノードは複数のクラスの一部だけを含む。
全ノード間で生データを共有することなく、グローバルマルチクラス分類器をトレーニングするために、本研究の主な成果は、マルチノードマルチクラス分類アンサンブル手法の設計である。
各ローカルノードからバイナリ分類器の推定パラメータとデータ密度を収集することにより、各ローカルノードの欠落情報を完成させ、グローバルマルチクラス分類器を構築する。
提案手法の有効性を検証するために, 複数ノードデータ検閲における数値実験を行った。
このようなケースでは、フルデータアプローチよりも提案手法のアウトパフォーマンスを示すことさえできる。
関連論文リスト
- Deep Clustering: A Comprehensive Survey [53.387957674512585]
クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。
ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。
ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
論文 参考訳(メタデータ) (2022-10-09T02:31:32Z) - Reasoning for Complex Data through Ensemble-based Self-Supervised
Learning [77.49763012201429]
最近の研究は、基礎となるクラスが意味的に大きな違いがある場合、印象的な結果を示している。
一般的な自己教師付き学習手法は、クラスがより近いセマンティクスを持つ場合、識別的特徴を学習できない。
本稿では,この課題に対処し,異なるクラスからのサンプルが顕著に多様性がない場合でも,ラベルのないデータから学習できるようにする戦略を提案する。
論文 参考訳(メタデータ) (2022-02-07T13:08:11Z) - VDPC: Variational Density Peak Clustering Algorithm [16.20037014662979]
本稿では,変分密度のクラスタを識別するための変分密度ピーククラスタリング(VDPC)アルゴリズムを提案する。
VDPCは2つの古典的アルゴリズム(DPCとDBSCAN)と4つの最先端拡張DPCアルゴリズムより優れている。
論文 参考訳(メタデータ) (2021-12-29T12:50:09Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - Learning Statistical Representation with Joint Deep Embedded Clustering [2.1267423178232407]
StatDECは、共同統計表現学習とクラスタリングのための教師なしのフレームワークである。
実験により,これらの表現を用いることで,様々な画像データセットにまたがる不均衡な画像クラスタリングの結果を大幅に改善できることが示された。
論文 参考訳(メタデータ) (2021-09-11T09:26:52Z) - MCL-GAN: Generative Adversarial Networks with Multiple Specialized
Discriminators [69.2281872339588]
本稿では,複数の識別器を用いた生成的対向ネットワークを提案する。
データ全体のサブセットに専門知識を持つように、各差別者を指導します。
複数の識別器を使用するにもかかわらず、バックボーンネットワークは識別器間で共有される。
論文 参考訳(メタデータ) (2021-07-15T11:35:08Z) - OVANet: One-vs-All Network for Universal Domain Adaptation [78.86047802107025]
既存のメソッドは、検証または未知のサンプルの事前定義された比率に基づいて未知のサンプルを拒否するしきい値を手動で設定します。
本稿では,ソースサンプルを用いて閾値を学習し,対象領域に適応する手法を提案する。
私たちの考えは、ソースドメインの最小クラス間距離は、ターゲットの既知のか未知かを決定するための良いしきい値であるべきです。
論文 参考訳(メタデータ) (2021-04-07T18:36:31Z) - Multi-class Classification Based Anomaly Detection of Insider Activities [18.739091829480234]
生成モデルと教師付き学習を組み合わせて,深層学習を用いたマルチクラス分類を行う手法を提案する。
generative adversarial network (gan) ベースのインサイダー検出モデルでは、条件付きジェネレーショナルadversarial network (cgan) を導入し、マイノリティクラスサンプルを豊かにする。
ベンチマークデータセットで実施した総合的な実験は、GAN派生合成データの導入の有効性を示す。
論文 参考訳(メタデータ) (2021-02-15T00:08:39Z) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2021-02-09T11:27:14Z) - AutoEmbedder: A semi-supervised DNN embedding system for clustering [0.0]
本稿では,高次元データをクラスタリング可能な埋め込みポイントにダウンサンプリングする,AutoEmbedderという新しい埋め込みシステムを提案する。
トレーニングプロセスは半教師付きで、Siameseネットワークアーキテクチャを使用して、機能学習フェーズにおけるペアワイズ制約損失を計算します。
論文 参考訳(メタデータ) (2020-07-11T19:00:45Z) - CycleCluster: Modernising Clustering Regularisation for Deep
Semi-Supervised Classification [0.0]
深層半教師付き分類のための新しいフレームワークであるCycleClusterを提案する。
我々のコア最適化は、グラフベースの擬似ラベルと共有深層ネットワークとともに、新たなクラスタリングベースの正規化によって推進されます。
論文 参考訳(メタデータ) (2020-01-15T13:34:02Z)
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。