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
- From Generalist to Specialist: Exploring CWE-Specific Vulnerability Detection [1.9249287163937974]
Common Weaknession(CWE)は、異なる特徴、コードセマンティクス、パターンを持つ脆弱性のユニークなカテゴリである。
すべての脆弱性をバイナリ分類アプローチで単一のラベルとして扱うことは、問題を単純化する可能性がある。
論文 参考訳（メタデータ） (2024-08-05T09:12:39Z) - CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。
ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。
人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
論文 参考訳（メタデータ） (2024-03-28T15:45:03Z) - Homogenizing Non-IID datasets via In-Distribution Knowledge Distillation
for Decentralized Learning [9.91998873101083]
分散学習により、複数のノード上で分散的にディープニューラルネットワーク(DNN)のサーバレストレーニングが可能になる。
分散学習における重要な課題の1つは、異種データ分散である。
異種データ分散の課題を解決するために,IDKD(In-Distribution Knowledge Distillation)を提案する。
論文 参考訳（メタデータ） (2023-04-09T23:26:24Z) - FedPNN: One-shot Federated Classification via Evolving Clustering Method
and Probabilistic Neural Network hybrid [4.241208172557663]
本稿では,プライバシ保護を指向した2段階のフェデレーション学習手法を提案する。
第1段階では、2つの異なる分布をノイズとして利用して合成データセットを生成する。
第2段階では,FedPNN(Federated Probabilistic Neural Network)が開発され,グローバルに共有する分類モデルの構築に利用されている。
論文 参考訳（メタデータ） (2023-04-09T03:23:37Z) - Hard Regularization to Prevent Deep Online Clustering Collapse without
Data Augmentation [65.268245109828]
オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。
オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。
本稿では,データ拡張を必要としない手法を提案する。
論文 参考訳（メタデータ） (2023-03-29T08:23:26Z) - Upcycling Models under Domain and Category Shift [95.22147885947732]
グローバルかつ局所的なクラスタリング学習技術(GLC)を導入する。
我々は、異なる対象クラス間での区別を実現するために、新しい1-vs-allグローバルクラスタリングアルゴリズムを設計する。
注目すべきは、最も困難なオープンパーティルセットDAシナリオにおいて、GLCは、VisDAベンチマークでUMADを14.8%上回っていることである。
論文 参考訳（メタデータ） (2023-03-13T13:44:04Z) - Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。
本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。
提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
論文 参考訳（メタデータ） (2023-01-03T05:38:43Z) - Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised
Person Re-Identification and Text Authorship Attribution [77.85461690214551]
完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。
近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。
本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
論文 参考訳（メタデータ） (2022-02-07T13:08:11Z) - 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) - 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。