Fugu-MT 論文翻訳(概要): Anomaly detection in dynamic networks

論文の概要: Anomaly detection in dynamic networks

arxiv url: http://arxiv.org/abs/2210.07407v1
Date: Thu, 13 Oct 2022 23:02:56 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 17:37:40.895684
Title: Anomaly detection in dynamic networks
Title（参考訳）: 動的ネットワークにおける異常検出
Authors: Sevvandi Kandanaarachchi, Rob J Hyndman
Abstract要約: 特徴量に基づくネットワーク異常検出手法である textitoddnet を導入する。合成および実世界のデータセットにおける奇数ネットの有効性を実証する。
参考スコア（独自算出の注目度）: 0.38233569758620045
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Detecting anomalies from a series of temporal networks has many applications, including road accidents in transport networks and suspicious events in social networks. While there are many methods for network anomaly detection, statistical methods are under utilised in this space even though they have a long history and proven capability in handling temporal dependencies. In this paper, we introduce \textit{oddnet}, a feature-based network anomaly detection method that uses time series methods to model temporal dependencies. We demonstrate the effectiveness of oddnet on synthetic and real-world datasets. The R package oddnet implements this algorithm.
Abstract（参考訳）: 一連の時間的ネットワークから異常を検出するには、交通ネットワークにおける道路事故やソーシャルネットワークにおける疑わしい出来事など、多くの応用がある。ネットワーク異常検出には多くの方法があるが、この分野では時間的依存関係を扱う上で長い歴史と実証された能力があるにもかかわらず、統計的手法が活用されている。本稿では,時系列法を用いて時間依存をモデル化する機能に基づくネットワーク異常検出手法である \textit{oddnet} を提案する。合成および実世界のデータセットにおける奇数ネットの有効性を示す。 Rパッケージの奇数ネットはこのアルゴリズムを実装している。

関連論文リスト

CESNET-TimeSeries24: Time Series Dataset for Network Traffic Anomaly Detection and Forecasting [0.0]
本書では,ネットワークエンティティの動作の時系列データを構成するデータセットを紹介する。データセットは、275万のアクティブIPアドレスの40週間のネットワークトラフィックから作成されました。予測に基づく異常検出アプローチの実践的展開に関する貴重な洞察を提供する。
論文参考訳（メタデータ） (2024-09-27T16:10:11Z)
Mining of Switching Sparse Networks for Missing Value Imputation in Multivariate Time Series [7.872208477823466]
MissNetは、スパースネットワークを切り替えることで、状態空間モデルと相関関係の時間依存性を利用するように設計されている。データ長を参照して線形にスケールするアルゴリズムは、代わりにネットワークを推論し、ネットワークを用いて欠落した値を埋める。
論文参考訳（メタデータ） (2024-09-16T02:08:33Z)
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文参考訳（メタデータ） (2024-01-11T10:10:16Z)
Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
論文参考訳（メタデータ） (2023-02-02T13:41:18Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
Intrusion Detection using Spatial-Temporal features based on Riemannian Manifold [1.14219428942199]
ネットワークトラフィックデータは、異なるネットワークプロトコルの下で異なるデータバイトパケットの組み合わせである。これらのトラフィックパケットは、複雑な時間変化の非線形関係を持つ。既存の最先端の手法は、相関に基づいて特徴を複数のサブセットに融合することで、この課題に発展する。これはしばしば、高い計算コストと、ネットワークトラフィックのリアルタイム処理に制限となる手動サポートを必要とする。
論文参考訳（メタデータ） (2021-10-31T23:50:59Z)
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)
F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。 F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
論文参考訳（メタデータ） (2020-11-09T19:55:40Z)
On the Usage of Generative Models for Network Anomaly Detection in Multivariate Time-Series [3.1790432590377242]
本稿では,時系列におけるネットワーク異常検出の新しい手法であるNet-GANを紹介する。我々は、生成モデルの背後にある概念を利用して、Net-GANの補完的アプローチであるNet-VAEを考案する。我々は,IoTセンサデータにおける異常検出,ネットワーク計測における侵入検出など,異なる監視シナリオにおけるNet-GANとNet-VAEを評価した。
論文参考訳（メタデータ） (2020-10-16T10:22:25Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)
RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks [37.16594704493679]
本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
論文参考訳（メタデータ） (2020-02-21T20:43:45Z)

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。