Fugu-MT 論文翻訳(概要): Effective Metaheuristic Based Classifiers for Multiclass Intrusion Detection

論文の概要: Effective Metaheuristic Based Classifiers for Multiclass Intrusion Detection

arxiv url: http://arxiv.org/abs/2210.02678v1
Date: Thu, 6 Oct 2022 04:56:01 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 17:46:31.433331
Title: Effective Metaheuristic Based Classifiers for Multiclass Intrusion Detection
Title（参考訳）: 多クラス侵入検出のための効果的なメタヒューリスティックに基づく分類器
Authors: Zareen Fatima, Arshad Ali
Abstract要約: 侵入検知は情報システムやネットワークデバイスのセキュリティにおいて重要な役割を果たす。大量のデータを持つことは、攻撃を検出する上で重要な問題のひとつだ。特徴選択法は、最適な特徴を選択し、最大限の精度を達成するための鍵となる役割を担っている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Network security has become the biggest concern in the area of cyber security because of the exponential growth in computer networks and applications. Intrusion detection plays an important role in the security of information systems or networks devices. The purpose of an intrusion detection system (IDS) is to detect malicious activities and then generate an alarm against these activities. Having a large amount of data is one of the key problems in detecting attacks. Most of the intrusion detection systems use all features of datasets to evaluate the models and result in is, low detection rate, high computational time and uses of many computer resources. For fast attacks detection IDS needs a lightweight data. A feature selection method plays a key role to select best features to achieve maximum accuracy. This research work conduct experiments by considering on two updated attacks datasets, UNSW-NB15 and CICDDoS2019. This work suggests a wrapper based Genetic Algorithm (GA) features selection method with ensemble classifiers. GA select the best feature subsets and achieve high accuracy, detection rate (DR) and low false alarm rate (FAR) compared to existing approaches. This research focuses on multi-class classification. Implements two ensemble methods: stacking and bagging to detect different types of attacks. The results show that GA improve the accuracy significantly with stacking ensemble classifier.
Abstract（参考訳）: ネットワークセキュリティは、コンピュータネットワークとアプリケーションの指数的な増加により、サイバーセキュリティの分野で最大の関心事となっている。侵入検知は情報システムやネットワークデバイスのセキュリティにおいて重要な役割を果たす。侵入検知システム(IDS)の目的は、悪意のある活動を検出し、これらの活動に対して警報を発生させることである。大量のデータを持つことは、攻撃を検出する上で重要な問題のひとつだ。ほとんどの侵入検知システムは、モデルと結果を評価するためにデータセットの全ての特徴を使用し、低い検出率、高い計算時間、多くのコンピュータリソースの使用である。高速攻撃検出には軽量データが必要である。特徴選択法は、最良特徴の選択に重要な役割を担い、最大精度を達成する。本研究は、UNSW-NB15とCICDDoS2019の2つの最新の攻撃データセットを考慮し実験を行う。本研究は, アンサンブル分類器を用いた遺伝的アルゴリズム (GA) の選択法を提案する。 gaは、最高の機能サブセットを選択し、既存のアプローチと比較して高い精度、検出率(dr)、低い誤警報率(far)を達成する。本研究は多種分類に焦点をあてる。スタックングとバッキングの2つのアンサンブルメソッドを実装して、さまざまなタイプの攻撃を検出する。その結果,GAはアンサンブル分類器を積み重ねることで精度を大幅に向上した。

関連論文リスト

Multi-agent Reinforcement Learning-based Network Intrusion Detection System [3.4636217357968904]
侵入検知システム(IDS)は,コンピュータネットワークのセキュリティ確保において重要な役割を担っている。本稿では,自動,効率的,堅牢なネットワーク侵入検出が可能な,新しいマルチエージェント強化学習(RL)アーキテクチャを提案する。我々のソリューションは、新しい攻撃の追加に対応し、既存の攻撃パターンの変更に効果的に適応するように設計されたレジリエントなアーキテクチャを導入します。
論文参考訳（メタデータ） (2024-07-08T09:18:59Z)
Detection-Rate-Emphasized Multi-objective Evolutionary Feature Selection for Network Intrusion Detection [21.104686670216445]
ネットワーク侵入検出における特徴選択問題を3目的最適化問題としてモデル化するDR-MOFSを提案する。ほとんどの場合、提案手法は従来の手法、すなわちより少ない特徴、より高い精度と検出率を達成できる。
論文参考訳（メタデータ） (2024-06-13T14:42:17Z)
Machine Learning-Based Intrusion Detection: Feature Selection versus Feature Extraction [3.5889226512319903]
モノのインターネット(IoT)デバイスは、サイバー攻撃に対して非常に脆弱である。機械学習に基づくIoTネットワークの侵入検出手法が開発されている。本稿では,この2つの特徴量検出手法の総合的な比較を行った。
論文参考訳（メタデータ） (2023-07-04T08:48:01Z)
DOC-NAD: A Hybrid Deep One-class Classifier for Network Anomaly Detection [0.0]
ネットワーク侵入検知システム(NIDS)の検出能力を高めるために機械学習アプローチが用いられている。最近の研究は、バイナリとマルチクラスのネットワーク異常検出タスクに従うことで、ほぼ完璧な性能を実現している。本稿では,ネットワークデータサンプルの学習のみによるネットワーク侵入検出のためのDeep One-Class (DOC)分類器を提案する。
論文参考訳（メタデータ） (2022-12-15T00:08:05Z)
Adversarially Robust One-class Novelty Detection [83.1570537254877]
既存のノベルティ検出器は敵の例に感受性があることが示される。本稿では, 新規性検知器の潜伏空間を制御し, 敵に対する堅牢性を向上する防衛戦略を提案する。
論文参考訳（メタデータ） (2021-08-25T10:41:29Z)
ADASYN-Random Forest Based Intrusion Detection Model [0.0]
侵入検知はサイバーセキュリティの分野で重要な話題であり、近年のネットワークの脅威は多様性とバリエーションの特徴を持っている。侵入検出データセットの深刻な不均衡を考慮して,adasynオーバーサンプリング法を用いてデータセットのバランスをとる。従来の機械学習モデルと比較して、パフォーマンス、一般化能力、堅牢性が向上します。
論文参考訳（メタデータ） (2021-05-10T12:22:36Z)
Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
論文参考訳（メタデータ） (2021-03-23T19:45:26Z)
Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。深部自己注意を伴う識別的近傍分類を提示する。自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
論文参考訳（メタデータ） (2020-10-25T00:39:32Z)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)
FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking [92.48078680697311]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要な問題である。本稿では,FairMOTと呼ばれる,アンカーフリーなオブジェクト検出アーキテクチャCenterNetをベースとした,シンプルかつ効果的なアプローチを提案する。このアプローチは、検出と追跡の両方において高い精度を達成する。
論文参考訳（メタデータ） (2020-04-04T08:18:00Z)
Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。